Automated Machine Learning (AutoML)
探索自动化机器学习（AutoML）如何简化模型开发。学习如何通过自动超参数调优等方法优化 Ultralytics YOLO26。
自动化机器学习 (AutoML) 是将机器学习模型开发中耗时且需要反复迭代的任务自动化的过程。它使数据科学家、分析师和开发者能够构建大规模、高效且高生产力的机器学习 (ML)模型，同时保持模型质量。传统的模型开发过程资源消耗大，需要丰富的领域知识和大量时间来生成并比较几十个模型。AutoML 可自动执行数据预处理、特征选择和超参数调优等步骤，让非专业人士也能使用人工智能 (AI)的能力，同时加快资深专业人员的工作流程。
AutoML 的核心组件#
AutoML 的主要目标是在尽可能少的人工干预下，针对特定数据集优化预测模型的性能。完整的 AutoML 流水线通常会管理多个关键阶段：
- 数据清洗和准备：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，并整理训练数据以确保一致性。
- 特征工程：确定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，并通过特征选择移除无关数据，从而提高计算效率。
- 模型选择：AutoML 框架会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方案。
- 超参数优化：找到能够实现最高准确率的精确设置（例如学习率或批量大小）通常是 ML 中最繁琐的部分。AutoML 会使用贝叶斯优化等技术，快速探索这一搜索空间。
实际应用#
AutoML 正在通过降低部署复杂 AI 的门槛，推动多个行业发生变革。
-
医疗与诊断：在医学图像分析中，AutoML 可帮助临床医生开发能够识别 X 射线或 MRI 扫描中病变的模型。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，以标记潜在的肿瘤或骨折，为放射科医生提供可靠的第二意见。
-
零售和库存控制：电商巨头和实体店利用零售业中的 AI来预测需求。AutoML 系统会分析历史销售数据以预测未来趋势，从而优化自动化库存管理。此外，还可以训练定制的目标检测模型，实时监控货架库存水平。
使用 Ultralytics 进行自动化优化#
现代计算机视觉工作流程通常需要找到最佳的训练参数平衡。ultralytics 库内置了类似 AutoML 的功能，可通过自动搜索模型（如 YOLO26）的最佳超参数（遗传进化）来实现这一点。
以下示例展示了如何启动自动调优会话，该会话会在数据集上反复改进模型性能：
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 AI 概念有相似之处，但其范围和应用各不相同：
- 神经架构搜索 (NAS) 与 AutoML：NAS 是 AutoML 的一个特定子集。通用 AutoML 可能会在决策树和神经网络之间进行选择，而 NAS 则专门关注设计神经网络的内部结构（例如层数和连接方式）。NAS 的计算开销很大，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调整用于新任务的技术。AutoML 通常会利用迁移学习来加快训练，但两者并不相同；AutoML 是自动化的总体过程，而迁移学习则是该过程中使用的一种具体方法。
- MLOps 与 AutoML：AutoML 专注于模型的创建阶段。MLOps（机器学习运维）涵盖完整的生命周期，包括生产环境中的模型部署、监控、治理和再训练。
工具和平台#
AutoML 工具的生态十分庞大，从基于云的解决方案到开源库应有尽有。主要云服务提供商提供 Google Cloud AutoML 和 AWS SageMaker Autopilot 等服务，为无需编写代码即可训练模型提供图形界面。在 Python 生态中，auto-sklearn 等库能够为标准数据集提供自动化算法选择功能。
对于计算机视觉任务而言，Ultralytics Platform 可简化训练流水线。它提供直观的界面来管理数据集、训练 YOLO11 和 YOLO26 等先进模型，并将其部署到各种边缘设备，从而有效简化视觉 AI 开发中的复杂机制。
