Automated Machine Learning (AutoML)

探索自动机器学习（AutoML）如何简化模型开发。学习通过超参数自动调优等功能来优化 Ultralytics YOLO26。

自动化机器学习 (AutoML) 是一个将机器学习模型开发中耗时且重复的任务进行自动化的过程。它使数据科学家、分析师和开发人员能够在保持模型质量的同时，构建大规模、高效且富有成效的机器学习 (ML) 模型。传统的模型开发非常消耗资源，需要深厚的领域知识和大量时间来生成并对比几十个模型。AutoML 自动化了数据预处理、特征选择以及超参数调优等步骤，让非专业人士也能使用强大的人工智能 (AI)，同时也加速了资深专业人士的工作流程。

Link to this sectionAutoML 的核心组件#

AutoML 的主要目标是以最少的人工干预，针对特定数据集优化预测模型的性能。一个完整的 AutoML 流水线通常会管理以下几个关键阶段：

数据清洗与准备：原始数据很少能直接用于训练。AutoML 工具会自动处理缺失值、检测异常值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。自动化系统会执行特征提取以创建新的输入变量，并进行选择以剔除无关数据，从而提高计算效率。
模型选择：AutoML 框架能智能地搜索各种算法，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模型。
Hyperparameter Optimization: Finding the exact settings—such as learning rate or batch size—that yield the highest accuracy is often the most tedious part of ML. AutoML uses techniques like Bayesian optimization to rapidly navigate this search space.

Link to this section实际应用#

AutoML 通过降低部署复杂 AI 的准入门槛，正在彻底改变各个行业。

医疗保健与诊断：在医学图像分析领域，AutoML 帮助临床医生开发能够识别 X 光片或 MRI 扫描中病理特征的模型。通过自动化设计卷积神经网络 (CNNs)，医院可以部署具有高召回率的系统来标记潜在的肿瘤或骨折，作为放射科医生的可靠第二意见。
零售与库存控制：电商巨头和实体店利用零售 AI 来预测需求。AutoML 系统通过分析历史销售数据来预测未来趋势，从而优化自动化库存管理。此外，还可以训练自定义的目标检测模型来实时监控货架库存水平。

Link to this section使用 Ultralytics 进行自动优化#

现代计算机视觉工作流程通常需要找到训练参数的完美平衡。ultralytics 库包含内置功能，通过为诸如 YOLO26 等模型自动搜索最优超参数（遗传进化），实现了类似于 AutoML 的效果。

以下示例展示了如何启动自动化调优会话，该会话能迭代提升模型在数据集上的表现：

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)

Link to this section区分 AutoML 与相关术语#

虽然 AutoML 与其他 AI 概念有重叠之处，但其范围和应用是独特的：

神经架构搜索 (NAS) 与 AutoML：NAS 是 AutoML 的一个特定子集。通用的 AutoML 可能是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（例如层数和连接方式）。NAS 计算密集，处理的是模型的拓扑结构。
迁移学习与 AutoML：迁移学习是一种将预训练模型适配到新任务的技术。AutoML 通常将迁移学习作为加速训练的一种策略，但它们并不相同；AutoML 是自动化的总体流程，而迁移学习是该流程中使用的一种具体方法。
MLOps 与 AutoML：AutoML 侧重于模型的创建阶段。MLOps（机器学习运维）涵盖了整个生命周期，包括模型部署、监控、治理以及在生产环境中的再训练。

Link to this section工具与平台#

AutoML 工具的领域非常广泛，从基于云的解决方案到开源库应有尽有。主要的云服务提供商提供了诸如 Google Cloud AutoML 和 AWS SageMaker Autopilot 等服务，它们提供了无需编写代码即可训练模型的图形界面。在 Python 生态系统中，诸如 auto-sklearn 之类的库为标准数据集带来了自动化的算法选择。

对于计算机视觉任务，Ultralytics Platform 简化了训练流水线。它提供了一个直观的界面来管理数据集、训练诸如 YOLO11 和 YOLO26 等先进模型，并将它们部署到各种边缘设备上，从而有效地简化了视觉 AI 开发的复杂机制。