YAML

AI 및 ML에서의 역할 및 응용

인공 지능(AI) 환경에서 YAML은 구성 관리의 중추이며, 재현성을 보장하고 실험을 간소화하는 데 중요한 역할을 합니다. 딥러닝(DL) 프로젝트는 모델 아키텍처에서 훈련 파라미터에 이르기까지 수많은 설정을 포함하는 경우가 많습니다. 이러한 설정을 YAML 파일에 저장하면 실험 설정을 쉽게 추적, 수정 및 공유할 수 있습니다. 빠른 참조를 위해 YAML 구문 치트 시트를 살펴볼 수 있습니다.

AI 애플리케이션에서 흔히 볼 수 있는 두 가지 실제 사례는 다음과 같습니다.

1. 데이터 세트 구성(Dataset Configuration): 모델을 학습시키기 전에 데이터 세트를 정의해야 합니다. YAML 파일은 학습 및 검증 이미지의 경로, 객체 클래스 수 및 해당 클래스 이름을 지정합니다. 이 접근 방식은 Ultralytics에서 COCO와 같은 데이터 세트를 관리하는 데 사용됩니다. 이를 통해 모델은 데이터를 찾을 위치와 학습할 내용을 정확히 알 수 있습니다.
2. 학습 및 하이퍼파라미터 구성: YAML 파일은 학습 세션에 필요한 모든 파라미터를 정의하는 데 적합합니다. 여기에는 모델 아키텍처 지정(예: YOLO11n), 배치 크기, 학습률의 수 epochs, 그리고 설정 데이터 증강. 이러한 설정을 중앙 집중화하면 체계적인 하이퍼파라미터 튜닝 실험을 쉽게 재현할 수 있도록 합니다. The Ultralytics 문서 이러한 구성 파일에 대한 자세한 예제를 제공합니다.

YAML vs. 기타 데이터 형식

YAML은 종종 JSON 및 XML과 같은 다른 데이터 직렬화 형식과 비교됩니다.

• YAML vs. JSON: 기능적으로 유사하고 YAML이 JSON(JavaScript Object Notation)의 상위 집합이지만, YAML은 가독성이 뛰어나 구성 파일에 선호되는 경우가 많습니다. 들여쓰기를 사용하여 괄호와 쉼표를 생략하고, 구성 선택을 문서화하는 데 매우 중요한 주석을 지원합니다.
• YAML vs. XML: XML(eXtensible Markup Language)에 비해 YAML은 훨씬 덜 장황합니다. XML은 시작 및 종료 태그를 사용하여 파일 크기를 늘리고 사람이 빠르게 구문 분석하기 어렵게 만드는 반면, YAML의 최소한의 구문은 직접 편집할 수 있도록 설계되었습니다.

더 넓은 생태계 및 도구

YAML의 유용성은 컴퓨터 비전을 훨씬 뛰어넘습니다. 이는 DevOps 세계의 기본 구성 요소로서, 컨테이너 오케스트레이션을 정의하기 위한 Kubernetes 및 IT 자동화 플레이북을 위한 Ansible과 같은 도구에서 사용됩니다. 이 개념은 종종 코드형 구성(CaC)이라고 합니다.

Python을 사용하는 개발자에게 PyYAML 라이브러리는 YAML 데이터를 구문 분석하고 생성하는 데 널리 사용되는 도구입니다. 들여쓰기에 민감하여 구문 오류가 발생하기 쉬우므로 YAML 유효성 검사기를 사용하는 것이 좋습니다. 이러한 도구 에코시스템은 초기 Jupyter Notebook 설정부터 Docker 및 GitHub Actions와 같은 CI/CD 파이프라인을 사용한 본격적인 모델 배포에 이르기까지 전체 MLOps 라이프사이클을 관리하는 데 YAML을 강력한 선택으로 만듭니다. 또한 구성 관리가 용이하여 원활한 학습 및 배포 환경을 위해 Ultralytics HUB와 같은 플랫폼과의 통합이 간소화됩니다.