持续集成 (CI)

为什么持续集成在人工智能/移动互联网中很重要？

人工智能/ML 开发的迭代性质涉及数据、模型和参数（如超参数调整和数据增强）实验，这使得 CI 尤为重要。集成 CI 可以快速反馈变更，确保新代码与现有代码库正确集成，模型性能不会意外降低。主要优势包括

• 早期错误检测：自动测试可在代码更改合并后迅速捕捉错误，从而降低后期修复错误的成本和工作量。
• 提高代码质量：一致的测试和集成鼓励更好的编码实践和可维护的代码库。衬砌器和静态分析器等工具通常是 CI 管道的一部分。
• 更快的开发周期：自动化可减少人工测试工作，让开发人员专注于构建功能。
• 一致的模型性能：CI 管道可包括评估模型准确度、精确度、召回率和其他相关指标的步骤，以防止回归。这通常包括检查F1 分数或平均精度 (mAP) 等指标。
• 增强协作：频繁的整合可最大限度地减少合并冲突，使团队始终在最新的代码库上工作。

CI 如何在人工智能/移动语言项目中发挥作用

在使用 CI 的典型 AI/ML 项目中，流程通常始于开发人员将代码变更（包括模型脚本、配置文件甚至新的数据处理步骤）提交到Git 等共享版本控制系统。该提交会自动触发一个 CI 管道，通常由Jenkins、GitLab CI/CD 或GitHub Actions 等平台管理。管道通常会执行几个步骤：

1. 构建：编译代码并构建必要的工件（如 Docker 映像）。
2. 单元测试：在单个代码组件上运行小型、孤立的测试。
3. 集成测试：测试系统不同部分之间的交互。
4. 模型验证：运行针对 ML 模型的测试，如检查数据的完整性、验证模型架构或在小型测试数据集上运行推理。
5. 性能测试：根据预定义基准或以前的版本评估模型的性能指标（mAP、准确度、延迟）。这可能涉及基准模式。
6. 报告：通知团队构建和测试结果，通常与Slack 等通信工具集成。

Ultralytics 广泛使用 CI；您可以在《Ultralytics CI 指南》中进一步了解我们的流程。

持续集成在人工智能/移动语言中的实际应用

持续集成用于各种实际的人工智能/ML 应用程序，以提高效率和可靠性。

• 物体探测系统开发：开发物体检测系统的公司，可能会使用 Ultralytics YOLO11来自动测试新的代码变更。每次提交都会触发一个管道，在数据子集（如COCO128）上重新训练或验证模型，运行评估以检查mAP和推理速度，并确保更改在合并前不会对性能产生负面影响。这有助于保持汽车人工智能或安全应用的模型质量。
• 自然语言处理 (NLP) 模型完善：使用NLP 技术研究情感分析模型的团队可以实施 CI。每次代码更新（如调整特征提取或模型架构）都会自动触发测试。这些测试可能会在验证数据集上运行更新后的模型，将其情感分类准确率和F1 分数与基线结果进行比较。这可确保对模型的有效性进行持续监控和改进。

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）：侧重于频繁集成代码变更并自动测试它们。其输出结果是经过验证的构建，可用于进一步的步骤。
• 持续交付（CD）：通过自动准备经过验证的代码变更，将其发布到暂存或生产环境，从而扩展 CI。向生产环境的部署通常是手动触发的。您可以在这份Atlassian 指南中了解更多有关差异的信息。
• 持续部署 (CD)：更进一步，自动将每个经过验证的变更直接部署到生产中，无需人工干预。

CI 和 CD 实践是机器学习运营（MLOps）的核心组成部分，旨在简化从开发到部署和监控的整个机器学习生命周期。Ultralytics HUB等平台可以帮助管理这一生命周期的各个环节，包括模型训练和部署。