YAML

Caractéristiques principales de YAML

YAML donne la priorité à la lisibilité humaine. Sa structure s'appuie fortement sur l'indentation pour indiquer la hiérarchie, comme en PythonCe qui permet d'obtenir des fichiers plus propres que des formats tels que XML ou JSON. Ses principales caractéristiques sont les suivantes :

• Syntaxe lisible par l'homme : L'utilisation minimale de parenthèses ou de balises rend les fichiers faciles à lire et à éditer.
• Structure par l'indentation : Utilise des espaces (et non des tabulations) pour définir les structures imbriquées, ce qui améliore la clarté.
• Prise en charge des structures de données : Prend en charge de manière native les types de données courants tels que les scalaires (chaînes, nombres, booléens), les listes (séquences) et les dictionnaires (mappings/paires clé-valeur).
• Commentaires : Permet d'ajouter des commentaires à l'aide de la fonction # pour la documentation dans le fichier.
• Polyvalence : Peut représenter des structures de données complexes adaptées à divers besoins de configuration.

Tu peux en savoir plus sur sa structure en consultant la spécification YAML officielle.

YAML dans les applications d'IA et de ML

Les fichiers YAML sont largement utilisés dans le paysage de l'IA et du ML pour définir et gérer divers aspects du cycle de vie d'un projet, favorisant la cohérence et la collaboration en séparant la configuration du code. Les principaux domaines d'application comprennent :

• Configuration du modèle : Définir l'architecture des réseaux neuronaux (NN), y compris les couches, les fonctions d'activation comme ReLU ou SiLU, et les connexions. Des cadres comme PyTorch et TensorFlow utilisent souvent YAML pour configurer les modèles. Par exemple , Ultralytics YOLO tels que YOLOv8 et YOLO11utilisent des fichiers YAML pour spécifier la structure du modèle, y compris l'épine dorsale et la tête de détection.
• Définition de l'ensemble de données : Spécification des chemins d'accès aux données d'entraînement, aux données de validation, aux noms des classes et à d'autres paramètres spécifiques aux ensembles de données. Ceci est courant pour des tâches telles que la détection d'objets à l'aide d'ensembles de données tels que COCO ou VOC. Ultralytics utilise largement les fichiers YAML pour définir les ensembles de données.
• Configuration du pipeline de formation : Spécifier les hyperparamètres et les paramètres pour l'outil de recherche. processus de formation au modèle. Cela comprend des paramètres tels que taille des lots, taux d'apprentissagenombre de époques, algorithmes d'optimisation (ex, Adam), et augmentation des données stratégies. Exemple : Un fichier YAML peut spécifier epochs: 100, batch_size: 16, learning_rate: 0.001et des techniques d'enrichissement de la liste comme les retournements ou les rotations aléatoires. Cela permet aux chercheurs et aux ingénieurs de suivre et de modifier facilement les expériences de formation.
• MLOps Pipelines : Définir les flux de travail dans les plateformes d'opérations d'apprentissage automatique (MLOps). Des outils comme Kubeflow Pipelines et MLflow Projects utilisent YAML pour décrire la séquence des étapes d'un pipeline ML, du prétraitement des données au déploiement et à la surveillance des modèles.
• Configuration du déploiement : Spécification des paramètres pour le déploiement des modèles, tels que les besoins en ressources (par ex, CPU/GPU allocation), les paramètres de mise à l'échelle et les variables d'environnement, souvent utilisés conjointement avec des technologies de conteneurisation comme Docker. Exemple : Un YAML de déploiement pour un cluster Kubernetes pourrait définir le nombre de répliques pour un point de terminaison de service de modèle, les limites de mémoire et l'image Docker à utiliser. Voir le démarrage rapideUltralytics Docker pour les configurations connexes.

YAML et autres formats

Bien que YAML serve des objectifs similaires à d'autres formats de sérialisation de données, il possède des caractéristiques distinctes :

• YAML vs. JSON (JavaScript Object Notation): Les deux sont lisibles par l'homme et prennent en charge des structures de données similaires. JSON est plus strict, exigeant des guillemets autour des chaînes de caractères et utilisant des accolades {} et les parenthèses []. YAML est souvent considéré comme plus lisible pour les configurations complexes en raison de son utilisation de l'indentation et de sa syntaxe minimale. Cependant, JSON est plus largement utilisé pour les API web. Tu trouveras plus de détails à l'adresse suivante JSON.org.
• YAML vs. XML (Extensible Markup Language): XML est un langage de balisage défini par le W3C qui utilise des balises (<tag>...</tag>) pour définir les éléments. Il est plus verbeux que YAML et JSON. Bien qu'il soit puissant pour la structuration et la validation des documents (par ex. données annotation), XML est généralement moins préféré pour les fichiers de configuration où la lisibilité est primordiale par rapport au style plus épuré de YAML.

L'accent mis par YAML sur la lisibilité humaine en fait un excellent choix pour les fichiers de configuration dans les projets d'IA/ML, ce qui simplifie la gestion et améliore la collaboration, notamment au sein de plateformes comme Ultralytics HUB qui rationalisent le cycle de vie de la ML.