XML

了解 XML 结构

XML 使用用角括弧（）括起来的标记来组织数据。< >).这些标签定义了元素，它们是代表数据结构的基本构件。元素可以包含文本数据、其他嵌套元素或组合元素，形成树状分层结构。标签还可以有属性，提供有关元素的附加元数据。例如，描述图书数据的 XML 文件可能如下所示 <book category="fiction"><title>Example Novel</title><author>Jane Doe</author></book>.这种明确的结构虽然有时比其他格式更啰嗦，但却可以根据 XSD (XML 模式定义)，确保数据的一致性，这对于复杂的 数据预处理 阶段。

人工智能和 ML 的相关性

虽然JSON和YAML等较新的格式因其简洁性而在某些任务中越来越受欢迎，但 XML 在人工智能和 ML 的几个关键领域仍具有重要意义：

• 数据注释：XML 是计算机视觉（CV）任务中存储注释的常用格式。在物体检测中，XML 文件通常会详细说明图像中每个物体的类别标签和边界框坐标。同样，它也可用于在图像分割中定义多边形。许多基准数据集都依赖 XML 来获取地面实况数据。正确的数据收集和标注是训练精确模型的重要步骤。
• 模型配置：虽然 Ultralytics 通常会选择 YAML 作为配置文件，但其他框架或旧系统有时也会使用 XML 来定义模型架构、训练参数或实验设置。它的结构化特性允许进行复杂的配置。
• 模型互操作性： 预测模型标记语言（PMML）是一种基于 XML 的标准，旨在表示经过训练的统计和数据挖掘模型。PMML 允许在一个系统（如使用Scikit-learn）中训练的模型部署到另一个系统（如生产评分引擎）中，而无需重写代码，从而简化了模型部署。这解决了MLOps（机器学习运营）中的一个关键难题。
• 数据交换：XML 是一种强大的格式，可用于在人工智能系统的不同组件之间或组织之间交换结构化数据。其独立于平台的特性可确保数据在不同的软件环境中得到可靠的解析，这对于构建可扩展的人工智能解决方案至关重要。

XML 与相关格式

将 XML 与其他常见的数据序列化格式区分开来很有帮助：

• JSON（JavaScript 对象符号）：与 XML 基于标记的语法相比，JSON使用一种从 JavaScript 对象派生出来的更轻便的键值对结构。它通常不那么冗长，网络应用程序和应用程序接口也更容易解析。详情请查看官方 JSON 标准。XML 内置支持命名空间和模式，而 JSON 通常依赖外部约定进行验证。
• YAML（YAML 不是标记语言）： YAML优先考虑人类的可读性，使用缩进来表示结构，而不是标签或括号。它常用于 ML 项目的配置文件（包括 Ultralytics YOLO模型）和Kubernetes 等基础设施即代码工具中的配置文件。探索YAML 规范，了解更多信息。

XML 在 AI/ML 中的实际应用

1. PASCAL 视觉对象类别 (VOC) 数据集：这个极具影响力的物体检测数据集被广泛用于基准测试模型，如 YOLOv8和 YOLO11等模型的基准。每个 XML 文件对应一幅图像，包含图像来源、尺寸以及每个注释对象的详细信息，包括其类别标签（如 "车"、"人"）和边界框坐标（xmin、ymin、xmax、ymax）。您可以在PASCAL VOC 官方网站上找到详细信息，并在VOC 数据集文档中了解如何将其与Ultralytics 模型一起使用。Ultralytics HUB等平台可以帮助管理此类数据集，用于训练自定义模型。
2. 医学影像元数据 (DICOM)： DICOM（医学数字成像和通信）标准在医疗保健领域无处不在，用于存储和传输医学影像。DICOM 本身是一种二进制格式，而 XML 通常用于表示与这些图像相关的大量元数据，如患者信息、采集参数和诊断结果。这种结构化元数据对于医学图像分析任务至关重要，可帮助研究人员和临床医生过滤数据集、训练人工智能诊断模型（放射学中的人工智能），并确保人工智能医疗应用的可追溯性。

总之，虽然 XML 并不总是最简洁的格式，但其结构化的特性、可扩展性和强大的验证能力确保了它在人工智能和 ML 的特定领域中继续发挥作用，特别是在数据注释标准、PMML 等模型交换格式和企业数据集成方面。熟悉 XML 对于浏览领域内的各种数据源和工具非常有价值。