YAML

Caratteristiche principali di YAML

YAML dà la priorità alla leggibilità umana. La sua struttura si basa molto sull'indentazione per indicare la gerarchia, simile a quella di Pythone questo si traduce in file più puliti rispetto a formati come XML o JSON. Le caratteristiche principali includono:

• Sintassi leggibile: L'uso minimo di parentesi o tag rende i file facili da leggere e modificare.
• Struttura attraverso l'indentazione: Utilizza gli spazi (non le tabulazioni) per definire le strutture annidate, migliorando la chiarezza.
• Supporto per le strutture dati: Supporta in modo nativo i tipi di dati più comuni come gli scalari (stringhe, numeri, booleani), le liste (sequenze) e i dizionari (mappature/coppie chiave-valore).
• Commenti: Permette di aggiungere commenti utilizzando l'opzione # per la documentazione all'interno del file.
• Versatilità: Può rappresentare strutture di dati complesse adatte a varie esigenze di configurazione.

Per saperne di più sulla sua struttura, puoi consultare le specifiche ufficiali di YAML.

YAML nelle applicazioni AI e ML

I file YAML sono ampiamente utilizzati nel panorama dell'intelligenza artificiale e del ML per definire e gestire vari aspetti del ciclo di vita di un progetto, promuovendo la coerenza e la collaborazione separando la configurazione dal codice. Le principali aree di applicazione includono:

• Configurazione del modello: Definizione dell'architettura delle reti neurali (NN), compresi gli strati, le funzioni di attivazione come ReLU o SiLU e le connessioni. Framework come PyTorch e TensorFlow utilizzano spesso YAML per configurare i modelli. Ad esempio, Ultralytics YOLO di Ultralytics, come ad esempio YOLOv8 e YOLO11utilizzano i file YAML per specificare la struttura del modello, compresa la spina dorsale e la testa di rilevamento.
• Definizione del set di dati: Specificare i percorsi dei dati di addestramento, dei dati di convalida, i nomi delle classi e altri parametri specifici del dataset. Si tratta di un'operazione comune per attività come il rilevamento di oggetti che utilizzano set di dati come COCO o VOC. Ultralytics utilizza ampiamente i file YAML per definire i set di dati.
• Configurazione della pipeline di formazione: Specificare gli iperparametri e le impostazioni del metodo processo di formazione del modello. Questo include parametri come dimensioni dei lotti, tassi di apprendimento, numero di epoche, algoritmi di ottimizzazione (ad esempio, Adamo), e aumento dei dati strategie. Esempio: Un file YAML potrebbe specificare epochs: 100, batch_size: 16, learning_rate: 0.001e tecniche di incremento degli elenchi come capovolgimenti o rotazioni casuali. Questo permette a ricercatori e ingegneri di monitorare e modificare facilmente gli esperimenti di formazione.
• Pipeline MLOps: Definire i flussi di lavoro nelle piattaforme Machine Learning Operations (MLOps). Strumenti come Kubeflow Pipelines e MLflow Projects utilizzano YAML per descrivere la sequenza dei passaggi di una pipeline ML, dalla preelaborazione dei dati alla distribuzione dei modelli e al monitoraggio.
• Configurazione della distribuzione: Specifica le impostazioni per la distribuzione dei modelli, come i requisiti delle risorse (ad es, CPU/GPU ), parametri di scalatura e variabili d'ambiente, spesso utilizzati in combinazione con tecnologie di containerizzazione come Docker. Esempio: Uno YAML di distribuzione per un cluster Kubernetes potrebbe definire il numero di repliche per un endpoint di servizio del modello, i limiti di memoria e l'immagine Docker da utilizzare. Consulta il Docker Quickstart di Ultralytics per le relative configurazioni.

YAML vs altri formati

Sebbene YAML abbia scopi simili a quelli di altri formati di serializzazione dei dati, ha caratteristiche distinte:

• YAML vs. JSON (JavaScript Object Notation): Entrambi sono leggibili dall'uomo e supportano strutture di dati simili. JSON è più rigoroso, richiede le virgolette intorno alle stringhe e l'uso di parentesi graffe. {} e le parentesi []. YAML è spesso considerato più leggibile per le configurazioni complesse grazie all'uso dell'indentazione e alla sintassi minimale. Tuttavia, JSON è più utilizzato per le API web. Maggiori dettagli sono disponibili all'indirizzo JSON.org.
• YAML vs. XML (Extensible Markup Language): L'XML è un linguaggio di markup definito dall'associazione W3C che utilizza i tag (<tag>...</tag>) per definire gli elementi. È più prolisso di YAML e JSON. Pur essendo potente per la strutturazione e la validazione dei documenti (ad esempio, in annotazione dei dati), XML è generalmente meno preferito per i file di configurazione in cui la leggibilità è fondamentale rispetto allo stile più pulito di YAML.

L'attenzione di YAML alla leggibilità umana lo rende una scelta eccellente per i file di configurazione dei progetti di AI/ML, semplificando la gestione e migliorando la collaborazione, soprattutto all'interno di piattaforme come Ultralytics HUB che semplificano il ciclo di vita del ML.