自动化机器学习 (AutoML)

自动机器学习（AutoML）是人工智能（AI）中一个快速发展的子领域。 人工智能（AI）的一个快速发展的子领域，旨在 自动化应用机器学习（ML）的端到端过程。 机器学习 (ML)应用于现实世界问题的端到端流程自动化。 通过将构建 ML 模型所涉及的复杂和迭代任务系统化，AutoML 旨在使 深度学习 (DL)和统计建模 同时提高专业数据科学家的效率。传统的 模型开发需要大量的人工工作，例如 数据预处理、特征选择和 算法调整。AutoML 简化了这些工作流程，使企业能够扩展其人工智能能力，而无需庞大的专业工程师团队。 无需庞大的专业工程师团队。

AutoML 工作流程

AutoML 的核心目标是消除创建高性能模型过程中的试错环节。一个典型的 自动处理几个关键阶段：

• 数据准备：原始数据很少可以用于训练。AutoML 工具可自动 数据清理、处理缺失值和 格式化输入。这可确保 训练数据的标准化和可靠性。
• 特征工程：确定哪些变量对预测的贡献最大至关重要。 通过自动特征提取和 选择，系统就能确定最相关的输入，通常还能创造出人类分析师可能会忽略的新特征。 忽略的新特征。
• 模型选择：有无数种算法可供选择，从简单的 线性回归到复杂的 神经网络 (NN)。AutoML 可智能 测试各种架构，以找到最适合特定 数据集。
• 超参数优化：调整设置，如 学习率或批量大小等设置对于最大限度地提高 准确性。贝叶斯优化等先进技术 贝叶斯优化等先进技术用于有效 搜索超参数空间，以获得最佳配置。

实际应用

AutoML 能够更快地部署智能解决方案，从而改变各行各业。两个突出的例子 包括

1. 医疗诊断：在医疗图像分析领域 在医学图像分析领域，医院使用 AutoML 开发辅助放射科医生的系统。通过自动测试不同的 卷积神经网络 (CNN) 架构，这些工具可以高精度地detect X 射线或核磁共振成像扫描中的肿瘤等异常现象。 精确度。这加速了诊断辅助工具的开发，从而提高了患者的治疗效果。 辅助工具，从而改善患者的治疗效果。
2. 零售和库存管理：零售商利用 计算机视觉（CV）模型来监控货架上的库存水平。 货架上的库存水平。AutoML 平台允许公司根据其特定的 对象检测模型 无需深厚的专业技术知识。从而实现高效的 自动化库存管理，减少浪费并 确保热门商品始终有库存。

用代码自动优化

在现代工作流程中，AutoML 原理最常见的用途之一就是自动 超参数调优.......。 ultralytics 库简化了这一过程，允许用户自动搜索模型的最佳训练配置。 等模型的最佳训练配置。 YOLO11.

下面的示例演示了如何启动自动调整会话，以优化特定数据集上的模型性能。 优化模型性能：

from ultralytics import YOLO

# Load a standard YOLO11 model
model = YOLO("yolo11n.pt")

# Start automated hyperparameter tuning
# This process searches for optimal settings (lr, momentum, etc.)
# to maximize metrics like mAP on the provided data
model.tune(data="coco8.yaml", epochs=10, iterations=5)

将 AutoML 与相关概念区分开来

必须将 AutoML 与人工智能生态系统中的其他术语区分开来，以了解其具体作用：

• AutoML 与 MLOps：AutoML 专注于创建模型（训练和调整）、 机器学习运营 (MLOps) 则涵盖了整个生命周期。MLOps 包括 生产环境中的模型部署、监控和管理。 生产环境中的模型部署、监控和管理。AutoML 通常是更广泛的 MLOps 战略中的一个组成部分。
• AutoML 与神经架构搜索 (NAS)： 神经架构搜索 (NAS) 是 AutoML 的一个专门子集。一般的 AutoML 可能会在随机森林和神经网络之间进行选择、 NAS 则专门自动设计神经网络结构本身（例如层数、节点 连接）。NAS 是计算密集型的，只专注于 结构。
• AutoML 与迁移学习： 迁移学习是指将预先训练好的 模型，并使其适应新任务。虽然 AutoML 经常利用迁移学习策略来加快训练速度，但它们是不同的概念、 它们是不同的概念。迁移学习是一种技术，而 AutoML 是一种流程自动化框架。

工具和平台

从开源库到企业云服务，各种功能强大的工具推动了 AutoML 的应用。 服务。主要云服务提供商提供了强大的解决方案，如 Google AutoML、 AWS SageMaker Autopilot 和 Azure Automated ML，它们为构建模型提供了图形界面。在开源社区，像 Auto-sklearn等库扩展了流行的 scikit-learn框架，使其包含了自动模型选择功能。

具体到计算机视觉，即将推出的Ultralytics Platform将集成 AutoML 功能，以简化高级模型的训练，如 姿势估计和 图像分割，使最先进的人工智能 让各种技能水平的开发人员都能使用。