自动化机器学习 (AutoML)

自动化机器学习（AutoML）是将耗时且需要反复迭代的机器学习模型开发过程自动化化的技术。它使数据科学家、分析师和开发人员能够构建大规模、高效且高产的机器学习（ML）模型，同时保持模型质量。 传统模型开发资源密集，需要大量领域知识和时间来生成并比较数十个模型。AutoML通过自动化数据预处理、特征选择和超参数调优等步骤，使人工智能（AI）的力量得以普及至非专家群体，同时加速资深专业人士的工作流程。

AutoML的核心组件

AutoML的主要目标是在最小化人工干预的前提下，针对特定数据集优化预测模型的性能。完整的AutoML管道通常涵盖以下关键阶段：

• 数据清理与预处理：原始数据通常无法直接用于训练。AutoML工具会自动处理缺失值、detect ，并格式化训练数据以确保一致性。
• 特征工程：识别哪些变量对预测贡献最大至关重要。自动化系统通过特征提取生成新的输入变量，并通过特征选择剔除无关数据，从而提升计算效率。
• 模型选择：AutoML框架能够智能搜索各种算法，从简单的线性回归到复杂的深度学习（DL）架构，以找到最适合该问题的解决方案。
• 超参数优化：寻找能实现最高准确率的精确设置（如学习率或批量大小）通常是机器学习中最繁琐的部分。AutoML通过贝叶斯优化等技术快速探索该搜索空间。

实际应用

AutoML正通过降低部署复杂人工智能的门槛，为多个行业带来革命性变革。

1. 医疗保健与诊断：在医学影像分析领域，AutoML助力临床医生开发能识别X光或MRI扫描中病理异常的模型。通过自动化卷积神经网络（CNN）的设计，医院可部署高召回率的系统来标记潜在肿瘤或骨折，为放射科医生提供可靠的第二诊疗意见。
2. 零售与库存管理：电商巨头和实体店铺利用 零售领域的人工智能预测需求。AutoML系统 通过分析历史销售数据预测未来趋势，优化自动化库存管理。此外， 可训练定制化物体检测模型 实时监控货架库存水平。

UltralUltralytics自动化优化

现代计算机视觉工作流程通常需要在训练参数中找到完美的平衡点。 ultralytics 该库包含内置功能，其运作方式类似于AutoML，能够自动搜索模型（如）的 最优超参数（遗传演化）。 YOLO26.

以下示例展示了如何启动自动调优会话，该会话将通过迭代方式在数据集上逐步提升模型性能：

from ultralytics import YOLO

# Load the latest YOLO26 model
model = YOLO("yolo26n.pt")

# Start automated hyperparameter tuning
# This runs multiple experiments, mutating parameters to maximize metrics
model.tune(data="coco8.yaml", epochs=30, iterations=10, plots=False)

区分AutoML与相关术语

虽然AutoML与其他人工智能概念存在交集，但在其范围和应用上具有独特性：

• 神经网络架构搜索（NAS） 与自动机器学习（AutoML）的区别：NAS是AutoML的特定子集。普通AutoML可能在决策树和神经网络之间进行选择，而NAS则专注于设计神经网络的内部结构（例如层数和连接数）。NAS计算密集型，主要处理模型的拓扑结构。
• 迁移学习与AutoML： 迁移学习是一种将预训练模型适应新任务的技术。AutoML常将迁移学习作为加速训练的策略，但二者并非同一概念；AutoML是整体自动化流程，而迁移学习则是该流程中采用的特定方法论。
• MLOps与 AutoML 的区别：AutoML 专注于模型的创建阶段。而 MLOps（机器学习运维）涵盖整个生命周期，包括模型部署、监控、治理以及在生产环境中的重新训练。

工具和平台

AutoML工具的生态系统极为广阔，涵盖从云端解决方案到开源库的各类工具。主流云服务商提供Google AutoML和AWS SageMaker Autopilot等服务，这些服务通过图形化界面实现无需编写代码即可训练模型。在Python ，诸如auto-sklearn等库为标准数据集带来了自动化的算法选择功能。

对于计算机视觉任务而言， Ultralytics 简化了训练流程。 该平台提供直观界面管理数据集，支持训练 YOLO11 和YOLO26等尖端模型，并将其部署至各类边缘设备， 有效简化了视觉人工智能开发的复杂流程。