Glossar

YAML

Entdecke die Leistungsfähigkeit von YAML in AI/ML! Vereinfache Konfigurationen, straffe Arbeitsabläufe und verbessere die Lesbarkeit mit diesem vielseitigen Datenformat.

Trainiere YOLO Modelle einfach
mit Ultralytics HUB

Mehr erfahren

YAML Ain't Markup Language (YAML) ist eine für Menschen lesbare Sprache zur Datenserialisierung. Sie wird häufig für Konfigurationsdateien und in Anwendungen verwendet, in denen Daten gespeichert oder übertragen werden. Im Kontext von KI und maschinellem Lernen besteht die Hauptaufgabe von YAML darin, Konfigurationsdateien leicht verständlich und handhabbar zu machen und die Lücke zwischen menschlicher Lesbarkeit und maschineller Verarbeitung zu schließen.

Die wichtigsten Merkmale von YAML

YAML ist so konzipiert, dass es von Menschen leicht gelesen und geschrieben werden kann. Seine klare und einfache Syntax basiert auf Einrückungen und nicht auf Klammern oder Tags, um die Struktur zu definieren. Dadurch sind YAML-Dateien im Vergleich zu anderen Datenformaten wie XML oder JSON viel übersichtlicher und leichter zu navigieren. Die wichtigsten Funktionen sind:

  • Menschenlesbares Format: Die YAML-Syntax legt großen Wert auf Lesbarkeit und verwendet Leerzeichen und Einrückungen, um hierarchische Datenstrukturen zu definieren, was das Verständnis und die Bearbeitung von Konfigurationsdateien erleichtert.
  • Daten-Serialisierung: YAML eignet sich gut für die Serialisierung von Datenstrukturen, d.h. es kann komplexe Datenobjekte in ein Textformat umwandeln, das leicht gespeichert oder übertragen und dann wieder rekonstruiert werden kann.
  • Konfigurationsdateien: YAML wird häufig zum Schreiben von Konfigurationsdateien in Softwareanwendungen verwendet, auch in KI und ML. Mit YAML lassen sich Parameter, Einstellungen und Arbeitsabläufe auf strukturierte und zugängliche Weise definieren.
  • Sprachunabhängig: YAML ist so konzipiert, dass es mit allen Programmiersprachen funktioniert. Das macht es zu einer vielseitigen Wahl für verschiedene KI- und ML-Projekte, die mehrere Sprachen und Frameworks umfassen können.
  • Integration mit KI/ML-Tools: Viele KI- und ML-Frameworks und -Tools, wie z.B. PyTorch und , unterstützen YAML für die Konfiguration. TensorFlowunterstützen YAML für die Konfiguration und vereinfachen so die Einrichtung und Anpassung von Modellen und Trainingsprozessen.

YAML in KI- und ML-Anwendungen

In den Bereichen KI und ML sind YAML-Dateien unverzichtbar, um Konfigurationen zu verwalten, Modellarchitekturen zu definieren und Trainingspipelines einzurichten. Hier sind ein paar Beispiele aus der Praxis:

  • Modell Konfiguration in Ultralytics YOLO: Bei der Arbeit mit Ultralytics YOLO Modellen werden YAML-Dateien verwendet, um die Modellarchitektur, Datensatzpfade, Trainingshyperparameter wie Losgröße und Lernrate sowie verschiedene andere Einstellungen. Zum Beispiel kann ein yolov8s.yaml Datei legt die Schichten und Parameter des kleinen Modells YOLOv8 fest und ermöglicht es den Nutzern, ihre Experimente leicht anzupassen oder zu wiederholen. Diese Konfigurationsdateien sind sowohl für das Training eigener Modelle als auch für den Einsatz von vortrainierten Modellen mit Ultralytics HUB unerlässlich.
  • Konfiguration von Datenpipelines: YAML wird auch verwendet, um Datenpipelines in ML-Projekten zu konfigurieren. Eine YAML-Datei kann zum Beispiel die Schritte für die Datenvorverarbeitung, das Feature Engineering und die Datenerweiterung beschreiben. Dies ermöglicht die Automatisierung und Reproduzierbarkeit von Daten-Workflows und sorgt für Konsistenz und Effizienz beim Modelltraining.

YAML vs. JSON

Sowohl YAML als auch JSON sind Sprachen zur Daten-Serialisierung, aber YAML wird in der KI und ML aufgrund seiner besseren Lesbarkeit oft für die Konfiguration bevorzugt. JSON ist zwar bis zu einem gewissen Grad auch für Menschen lesbar, verwendet aber mehr Satzzeichen wie geschweifte Klammern und Klammern, wodurch komplexe Konfigurationen auf den ersten Blick schwerer zu erkennen sind. Da YAML auf Einrückung und minimale Syntax setzt, sind die Konfigurationsdateien übersichtlicher und intuitiver, was die Fehleranfälligkeit verringert und die Wartbarkeit komplexer KI-Projekte verbessert.

Durch die Verwendung von YAML können KI- und ML-Experten Konfigurationen effektiv verwalten und kommunizieren, was ihre Arbeitsabläufe transparenter und reproduzierbarer macht und die Zusammenarbeit erleichtert. Seine Einfachheit und Menschenfreundlichkeit machen es zu einem unverzichtbaren Werkzeug in der KI- und ML-Landschaft.

Alles lesen