YAML

YAML 是 "YAML 不是标记语言 "的缩写，是一种人类可读的 数据序列化标准，通常用于配置文件 文件和语言之间的数据交换。与更多冗长的格式不同，YAML 优先考虑整洁和易用性、 YAML 依靠缩进而不是括号或标签来定义结构。这种简约的方法使其成为 开发人员和数据科学家的首选。 机器学习（ML）和 人工智能（AI）领域的开发人员和数据科学家的首选。 在这些领域，清晰地定义复杂的环境和参数至关重要。您可以在 YAML 网站。

YAML 在人工智能工作流程中的作用

在深度学习 (DL) 领域，YAML 是 实验管理和可重现性的支柱。复杂的系统往往需要定义数百个 参数，从文件路径到数学常数。通过将这些设置外部化为 YAML 文件，研究人员可以 确保他们的训练数据配置和 模型架构与代码库保持分离。这种分离有利于 数据运维实践，并使实验设置的版本控制更容易。 实验设置的版本控制。

机器学习的实际应用

YAML 在现代人工智能开发堆栈中无处不在。以下是使用 YAML 的两种主要方式：

1. 数据集定义：计算机视觉 (CV) 计算机视觉 (CV)中最常见的用途之一就是定义数据集 结构。例如，在准备 对象检测时，YAML 文件通常 指定训练和 类的数量和类名。 类名称。Ultralytics 使用这种格式无缝加载基准，如 COCO或自定义数据集。
2. 超参数配置：实现最佳模型性能需要严格的 超参数调整。YAML 文件可以 存储关键的训练变量，如 学习率 批次大小、权重衰减和 次数。这样，工程师只需交换配置文件 只需交换配置文件，而无需修改底层Python 代码。

YAML 与 JSON 和 XML

虽然 YAML 与其他格式有相似之处，但在设计理念和使用案例上却截然不同：

• YAML 与 JSON： JSON（JavaScript Object Notation，JavaScript 对象符号）广泛用于网络 API。然而，JSON 不支持注释，而注释对于记录科学实验至关重要。YAML 支持 注释，而且一般认为 YAML 在配置方面更具可读性，不过 JSON 的解析速度通常更快。
• YAML 与 XML： XML（可扩展标记语言）使用打开和关闭 标签，使文件明显变大，人类也难以快速扫描。YAML 基于缩进的结构 减少了视觉上的混乱，使其在维护 软件配置管理 文件。

用Ultralytics应用 YAML

在使用Ultralytics YOLO11 模型时，YAML 文件是定义模型所见数据的基础。YAML文件 data 参数接受指向图像和标签的 YAML 文件。

下面的示例演示了如何使用标准数据集配置文件启动训练会话。

from ultralytics import YOLO

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

# Train the model using the 'coco8.yaml' dataset configuration
# The YAML file contains paths to images and class names (e.g., person, bus)
results = model.train(data="coco8.yaml", epochs=5, imgsz=640)

更广泛的生态系统整合

除了直接的模型培训，YAML 还是更广泛的 MLOps生态系统不可或缺。它是 标准配置格式。 容器进行模型部署时的标准配置格式。同样，Kubernetes 也使用 YAML、 Kubernetes使用 YAML 来定义应用程序在云中的扩展方式。

GitHub Actions等自动化工具也依赖 YAML 来定义 CI/CD 工作流，确保每次推送代码时都能顺利进行自动化测试和集成。 集成顺利进行。Python 开发人员经常使用 PyYAML 库以编程方式读写这些 文件，在静态配置和动态代码执行之间架起桥梁。