YAML

了解 YAML 如何简化 AI 工作流。发现如何使用 YAML 文件来配置数据集和训练 Ultralytics YOLO26 模型，以实现更快、更简单的 MLOps。

YAML (YAML Ain't Markup Language) 是一种人类可读的数据序列化标准，在软件行业中广泛用于编写配置文件。与更复杂的标记语言不同，YAML 优先考虑整洁的格式和可读性，这使其成为需要快速检查或修改参数的开发者和数据科学家的绝佳选择。其简单的结构依赖于缩进而非括号或标签，这使用户能够以极少的视觉混乱定义列表和字典等层级数据结构。在人工智能和机器学习的背景下，YAML 是连接人类意图与机器执行之间的关键桥梁，它以一种易于版本控制和共享的格式存储从数据集路径到超参数调优设置的所有内容。

Link to this section在机器学习中的相关性#

在现代机器学习运维 (MLOps) 中，保持可复现且有组织的实验至关重要。YAML 文件充当这些实验的蓝图，将所有必要的配置细节封装在单个文档中。诸如 Ultralytics YOLO26 模型之类的框架非常依赖这些配置文件来定义模型架构和训练协议。

当你训练计算机视觉模型时，通常需要指定训练数据所在的位置、你要检测的类别数量以及这些类别的名称。与其将这些值硬编码到 Python 脚本中（这会导致代码库混乱），不如将这些数据分离到一个 YAML 文件中。这种关注点分离使研究人员能够替换数据集或调整学习率，而无需触及核心代码库，从而促进更好的实验跟踪和协作。

Link to this sectionYAML 与 JSON 与 XML#

虽然 YAML 经常被拿来与 JSON (JavaScript Object Notation) 和 XML (eXtensible Markup Language) 进行比较，但它们在 AI 生态系统中有着略微不同的用途。

YAML： 最适合人类编写和阅读的配置文件。它支持注释，这对于记录选择特定模型权重或参数的原因至关重要。
JSON： 理想用于机器对机器的通信，例如 Web API 或保存推理结果。由于需要引号和花括号，它更加严格且对人类手动编辑不太友好，并且不支持注释。
XML: A more verbose format often used in legacy systems or complex document storage (like Pascal VOC annotations). It is generally considered too heavy for simple configuration tasks in modern deep learning workflows.

Link to this section人工智能的实际应用#

YAML 在 AI 开发生命周期的多个关键阶段都发挥着作用：

数据集配置： 当处理像 COCO 这样的目标检测数据集或 Ultralytics Platform 上的自定义数据时，YAML 文件 (data.yaml) 通常会定义训练集、验证集和测试集的目录路径。它还将类别索引 (0, 1, 2) 映射到类别名称 (person, bicycle, car)，确保模型理解数据结构。
CI/CD 流水线： 在持续集成工作流中，像 GitHub Actions 这样的工具使用 YAML 来定义自动化步骤。这可能包括在新的神经网络架构上运行单元测试，或者在代码推送到存储库时将模型部署到 Docker 容器中。

Link to this section示例：配置 YOLO 训练运行#

以下示例展示了一个典型的 YAML 文件如何充当训练 YOLO26 模型的数据集接口。下面的 Python 片段展示了 Ultralytics 库如何使用此文件来启动训练过程。

1. coco8.yaml 文件 (概念)： 此文件将包含指向图像的路径和类别名称列表。

path: ../datasets/coco8  # dataset root dir
train: images/train  # train images (relative to 'path')
val: images/val  # val images (relative to 'path')

# Classes
names:
  0: person
  1: bicycle
  2: car
  ...

2. Python 用法： 该代码读取配置并使用指定的参数启动训练。

from ultralytics import YOLO

# Load the YOLO26 model (recommended for new projects)
model = YOLO("yolo26n.pt")

# Train the model using the dataset configuration defined in the YAML file
# The 'data' argument points directly to the YAML file
results = model.train(data="coco8.yaml", epochs=5, imgsz=640)