YAML

Die wichtigsten Merkmale von YAML

Bei YAML steht die Lesbarkeit im Vordergrund. Seine Struktur basiert stark auf Einrückungen, um die Hierarchie zu verdeutlichen, ähnlich wie in PythonDas führt zu saubereren Dateien als bei Formaten wie XML oder JSON. Die wichtigsten Merkmale sind:

• Von Menschen lesbare Syntax: Die minimale Verwendung von Klammern oder Tags macht die Dateien einfach zu lesen und zu bearbeiten.
• Struktur durch Einrückung: Verwendet Leerzeichen (keine Tabulatoren), um verschachtelte Strukturen zu definieren, was die Übersichtlichkeit verbessert.
• Unterstützung für Datenstrukturen: Unterstützt gängige Datentypen wie Skalare (Strings, Zahlen, Boolesche Werte), Listen (Sequenzen) und Dictionaries (Mappings/Schlüssel-Wert-Paare) von Haus aus.
• Kommentare: Ermöglicht das Hinzufügen von Kommentaren mit der # Symbol für die Dokumentation in der Datei.
• Vielseitigkeit: Kann komplexe Datenstrukturen darstellen, die für verschiedene Konfigurationsanforderungen geeignet sind.

Mehr über seine Struktur erfährst du in der offiziellen YAML-Spezifikation.

YAML in KI- und ML-Anwendungen

YAML-Dateien sind in der KI- und ML-Landschaft weit verbreitet, um verschiedene Aspekte eines Projektlebenszyklus zu definieren und zu verwalten. Durch die Trennung von Konfiguration und Code werden Konsistenz und Zusammenarbeit gefördert. Zu den wichtigsten Anwendungsbereichen gehören:

• Modellkonfiguration: Festlegung der Architektur von neuronalen Netzen (NN), einschließlich Schichten, Aktivierungsfunktionen wie ReLU oder SiLU und Verbindungen. Frameworks wie PyTorch und TensorFlow verwenden oft YAML für die Konfiguration von Modellen. Zum Beispiel, Ultralytics YOLO Modelle, wie zum Beispiel YOLOv8 und YOLO11verwenden YAML-Dateien, um die Modellstruktur einschließlich des Backbone und des Detektionskopfes festzulegen.
• Dataset Definition: Angabe von Pfaden zu Trainingsdaten, Validierungsdaten, Klassennamen und anderen datensatzspezifischen Parametern. Dies ist üblich für Aufgaben wie die Objekterkennung mit Datensätzen wie COCO oder VOC. Ultralytics verwendet YAML-Dateien in großem Umfang zur Definition von Datensätzen.
• Konfiguration der Trainingspipeline: Festlegen von Hyperparametern und Einstellungen für die Modellschulungsprozess. Dazu gehören Parameter wie Losgrößen, Lernquoten, Anzahl der Epochen, Optimierungsalgorithmen (z.B., Adam), und Datenerweiterung Strategien. Beispiel: Eine YAML-Datei könnte Folgendes enthalten epochs: 100, batch_size: 16, learning_rate: 0.001und Techniken zur Listenerweiterung wie zufällige Umdrehungen oder Drehungen. So können Forscher/innen und Ingenieur/innen Trainingsversuche leicht nachverfolgen und verändern.
• MLOps Pipelines: Definition von Workflows in Machine Learning Operations (MLOps) Plattformen. Tools wie Kubeflow Pipelines und MLflow Projects nutzen YAML, um die Abfolge der Schritte in einer ML-Pipeline zu beschreiben, von der Datenvorverarbeitung bis zur Modellbereitstellung und Überwachung.
• Bereitstellungskonfiguration: Festlegen von Einstellungen für den Einsatz von Modellen, wie z. B. Ressourcenanforderungen (z. B., CPU/GPU Zuweisung), Skalierungsparameter und Umgebungsvariablen, die oft in Verbindung mit Containertechnologien wie Docker verwendet werden. Beispiel: Eine Deployment-YAML für einen Kubernetes-Cluster könnte die Anzahl der Replikate für einen Model-Serving-Endpunkt, Speichergrenzen und das zu verwendende Docker-Image festlegen. Im Ultralytics Docker Quickstart findest du Informationen zu den entsprechenden Einstellungen.

YAML vs. andere Formate

YAML dient zwar ähnlichen Zwecken wie andere Formate zur Datenserialisierung, hat aber andere Eigenschaften:

• YAML vs. JSON (JavaScript Object Notation): Beide sind für Menschen lesbar und unterstützen ähnliche Datenstrukturen. JSON ist strenger und erfordert Anführungszeichen um Zeichenketten und die Verwendung von geschweiften Klammern {} und Klammern []. YAML wird aufgrund der Einrückung und der minimalen Syntax oft als besser lesbar für komplexe Konfigurationen angesehen. JSON wird jedoch häufiger für Web-APIs verwendet. Weitere Einzelheiten findest du unter JSON.org.
• YAML vs. XML (Extensible Markup Language): XML ist eine Auszeichnungssprache, die von der W3C die Tags verwendet (<tag>...</tag>), um Elemente zu definieren. Es ist ausführlicher als YAML und JSON. Es ist zwar leistungsstark für die Strukturierung und Validierung von Dokumenten (z. B. in Datenanmerkung), wird XML für Konfigurationsdateien, bei denen die Lesbarkeit im Vordergrund steht, im Allgemeinen weniger bevorzugt als der saubere Stil von YAML.

YAMLs Fokus auf menschliche Lesbarkeit macht es zu einer ausgezeichneten Wahl für Konfigurationsdateien in KI/ML-Projekten. Es vereinfacht die Verwaltung und verbessert die Zusammenarbeit, insbesondere innerhalb von Plattformen wie Ultralytics HUB, die den ML-Lebenszyklus rationalisieren.