YAML

الميزات الرئيسية ل YAML

يعطي YAML الأولوية لسهولة القراءة البشرية. تعتمد بنيتها بشكل كبير على المسافة البادئة للدلالة على التسلسل الهرمي، على غرار Pythonمما ينتج عنه ملفات أنظف مقارنةً بتنسيقات مثل XML أو JSON. تتضمن الخصائص الرئيسية ما يلي:

• تركيب لغوي قابل للقراءة البشرية: الحد الأدنى من استخدام الأقواس أو العلامات يجعل الملفات سهلة القراءة والتحرير.
• البنية من خلال المسافة البادئة: يستخدم المسافات (وليس علامات التبويب) لتحديد الهياكل المتداخلة، مما يعزز الوضوح.
• دعم هياكل البيانات: يدعم بشكل أصلي أنواع البيانات الشائعة مثل القياسات (السلاسل والأرقام والمنطقيات) والقوائم (التسلسلات) والقواميس (التعيينات/ أزواج القيمة الرئيسية).
• التعليقات: يسمح بإضافة تعليقات باستخدام # رمز للتوثيق داخل الملف.
• متعدد الاستخدامات: يمكن أن تمثل هياكل بيانات معقدة مناسبة لاحتياجات التكوين المختلفة.

يمكنك معرفة المزيد عن بنيتها من مواصفات YAML الرسمية.

YAML في تطبيقات الذكاء الاصطناعي والتعلم الآلي

تُستخدم ملفات YAML على نطاق واسع في مجال الذكاء الاصطناعي وتعلم الآلة لتحديد وإدارة الجوانب المختلفة لدورة حياة المشروع، وتعزيز الاتساق والتعاون من خلال فصل التكوين عن التعليمات البرمجية. تشمل مجالات التطبيق الرئيسية ما يلي:

• تكوين النموذج: تحديد بنية الشبكات العصبونية (NN)، بما في ذلك الطبقات، ووظائف التنشيط مثل ReLU أو SiLU، والتوصيلات. أطر مثل PyTorch و TensorFlow غالبًا ما تستخدم YAML لتكوين النماذج. على سبيل المثال Ultralytics YOLO مثل YOLOv8 و YOLO11تستخدم ملفات YAML لتحديد بنية النموذج، بما في ذلك العمود الفقري ورأس الكشف.
• تعريف مجموعة البيانات: تحديد المسارات إلى بيانات التدريب وبيانات التحقق من الصحة وأسماء الفئات والمعلمات الأخرى الخاصة بمجموعة البيانات. هذا أمر شائع لمهام مثل اكتشاف الكائنات باستخدام مجموعات بيانات مثل COCO أو VOC. تستخدم Ultralytics ملفات YAML على نطاق واسع لتعريف مجموعات البيانات.
• تكوين خط أنابيب التدريب: تحديد المعلمات الفائقة والإعدادات الخاصة بـ عملية التدريب النموذجي. يتضمن ذلك معلمات مثل أحجام الدفعات, معدلات التعلم، عدد الحقب الزمنية, خوارزميات التحسين (على سبيل المثال, آدم)، و زيادة البيانات الاستراتيجيات مثال على ذلك: يمكن أن يحدد ملف YAML epochs: 100, batch_size: 16, learning_rate: 0.001وتقنيات زيادة القائمة مثل التقليب العشوائي أو التناوب العشوائي. يتيح ذلك للباحثين والمهندسين تتبع تجارب التدريب وتعديلها بسهولة.
• خطوط أنابيب MLOps: تحديد سير العمل في منصات عمليات التعلم الآلي (MLOps). تستخدم أدوات مثل Kubeflow Pipelines و MLflow Projects YAML لوصف تسلسل الخطوات في خط أنابيب التعلم الآلي، بدءًا من المعالجة المسبقة للبيانات إلى نشر النموذج والمراقبة.
• تهيئة النشر: تحديد إعدادات نشر النماذج، مثل متطلبات الموارد (مثل, CPU/GPU ) ومعلمات التحجيم ومتغيرات البيئة، وغالبًا ما تُستخدم بالاقتران مع تقنيات التجميع في حاويات مثل Docker. مثال: قد يحدد ملف YAML للنشر لمجموعة Kubernetes عدد النسخ المتماثلة لنقطة نهاية عرض النموذج، وحدود الذاكرة، وصورة Docker المراد استخدامها. راجع برنامج Ultralytics Docker Docker Quickstart للاطلاع على الإعدادات ذات الصلة.

YAML مقابل التنسيقات الأخرى

في حين أن YAML يخدم أغراضًا مشابهة لتنسيقات تسلسل البيانات الأخرى، إلا أنه يتميز بخصائص مميزة:

• YAML مقابل JSON (تدوين كائنات جافا سكريبت): كلاهما قابل للقراءة من قبل البشر ويدعمان بنيات بيانات متشابهة. JSON أكثر صرامة، حيث يتطلب وضع علامات اقتباس حول السلاسل واستخدام الأقواس {} والأقواس []. غالبًا ما يُعتبر YAML أكثر قابلية للقراءة للتكوينات المعقدة نظرًا لاستخدامه المسافة البادئة والحد الأدنى من بناء الجملة. ومع ذلك، يستخدم JSON على نطاق واسع لواجهات برمجة تطبيقات الويب. يمكن العثور على مزيد من التفاصيل على JSON.org.
• YAML مقابل XML (لغة ترميز قابلة للتوسيع): XML هي لغة ترميز تم تعريفها من قبل W3C التي تستخدم العلامات (<tag>...</tag>) لتعريف العناصر. إنه أكثر إسهابًا من YAML و JSON. في حين أنها قوية في هيكلة المستندات والتحقق من صحتها (على سبيل المثال، في شرح توضيحي للبيانات)، فإن XML بشكل عام أقل تفضيلًا لملفات التكوين حيث تكون سهولة القراءة أمرًا بالغ الأهمية مقارنةً بأسلوب YAML الأنظف.

إن تركيز YAML على سهولة القراءة البشرية يجعلها خيارًا ممتازًا لملفات التكوين في مشاريع الذكاء الاصطناعي/التعلم الآلي، مما يبسّط الإدارة ويحسّن التعاون، خاصةً داخل منصات مثل Ultralytics HUB التي تبسّط دورة حياة التعلم الآلي.