持续集成 (CI)

持续集成（Continuous Integration，CI）是一种软件开发实践，开发人员经常将代码变更合并到一个中央存储库中，然后运行自动构建和测试。CI 的主要目标是及早发现集成问题、提高代码质量并简化开发工作流程。在人工智能（AI）和机器学习（ML）的背景下，CI 超出了传统的代码检查范围，还包括数据、模型和整体管道性能的验证，是机器学习运营（MLOps）的重要组成部分。

持续集成的关键原则

CI 流程建立在自动化和频繁迭代的基础之上。开发人员使用Git 等版本控制系统，向共享仓库推送少量、频繁的变更。每次推送都会触发一个自动化工作流或管道，执行几个关键步骤：

• 自动构建：系统自动编译代码，确保正确集成。对于 ML 项目，这可能涉及使用Docker 等容器化工具设置环境。
• 自动测试：运行一套测试来验证新的更改。这包括针对代码逻辑的单元测试、针对组件交互的集成测试，以及针对 ML 的专门测试，如数据验证和模型评估。
• 快速反馈回路：如果管道中的任何步骤出现故障，开发团队会立即得到通知。这样，他们就能在问题变得更加复杂并集成到主代码库之前，迅速解决问题。

机器学习 CI（CI4ML）

将 CI 应用于机器学习项目会带来独特的挑战。除了代码之外，ML 系统还涉及数据和训练有素的模型，而这些数据和模型也必须经过版本控制和验证。针对机器学习项目（如涉及Ultralytics YOLO模型的项目）的有效 CI 管道还包括其他步骤：

• 数据验证：自动检查新数据的正确性、模式一致性和潜在的数据集偏差。Great Expectations等工具可用于此目的。
• 模型测试：运行测试，检查性能是否下降。这包括在标准化验证数据集上，将新模型的性能指标与基线版本进行比较。
• 训练管道验证：确保模型训练过程本身具有可重复性和高效性。这可以通过Ultralytics HUB 等平台进行管理，该平台可以简化数据集管理和训练工作流程。

实际应用

1. 自动驾驶开发：一个为自动驾驶汽车开发物体检测模型的团队使用了一个 CI 管道。当开发人员提交代码以提高模型在夜间检测行人的能力时，管道会自动触发。它会运行单元测试，在测试数据集上重新训练YOLO11模型的轻量级版本，并评估其mAP。如果准确率没有下降，且所有测试都通过，则批准合并变更。GitHub Actions或Jenkins等流行的 CI 工具通常用于自动执行这些工作流程。
2. 医学图像分析：在一个用于医学图像中肿瘤检测的系统中，数据科学家可能会添加新的增强数据，以提高鲁棒性。CI 管道会验证新的数据格式和分布。然后使用预先训练好的模型触发验证运行，以确保模型在 "黄金数据集 "上的预测结果保持一致，防止在生产中出现意外行为。这一流程有助于保持对医疗领域人工智能至关重要的高标准可靠性。

持续集成与持续交付/部署（CD）

虽然 CI 与持续交付和持续部署（CD）密切相关，但两者是不同的。

• 持续集成（CI）：侧重于代码变更的频繁集成和自动测试。其输出结果是经过验证的构建，可用于下一阶段。Ultralytics 使用 CI测试所有拉取请求，然后再进行合并。
• 持续交付（CD）：通过自动准备将每个经过验证的变更发布到暂存或生产环境来扩展 CI。不过，将最终模型部署到生产环境需要手动审批。这种方法在Atlassian 等提供的指南中有详细介绍。
• 持续部署（CD）：在此基础上更进一步，无需任何人工干预，自动将每一个经过验证的变更直接部署到生产中。这代表了软件发布生命周期的最高自动化水平。

CI 和 CD 实践共同构成了强大的MLOps战略的基础，该战略旨在统一机器学习系统的开发和运行，从最初的实验到部署和持续模型监控。