YAML

YAML'ın Temel Özellikleri

YAML insan tarafından okunabilirliğe öncelik verir. Yapısı, hiyerarşiyi belirtmek için büyük ölçüde girintiye dayanır, benzer şekilde PythonBu da XML veya JSON gibi formatlara kıyasla daha temiz dosyalar ortaya çıkarır. Temel özellikler şunlardır:

• İnsan Tarafından Okunabilir Sözdizimi: Parantez veya etiketlerin minimum kullanımı dosyaların okunmasını ve düzenlenmesini kolaylaştırır.
• Girinti Yoluyla Yapı: İç içe geçmiş yapıları tanımlamak için boşlukları (sekmeleri değil) kullanır ve netliği artırır.
• Veri Yapıları için Destek: Skalerler (dizeler, sayılar, booleanlar), listeler (diziler) ve sözlükler (eşlemeler/anahtar-değer çiftleri) gibi yaygın veri türlerini yerel olarak destekler.
• Yorumlar: Kullanarak yorum eklemeye izin verir # dosya içindeki dokümantasyon için sembol.
• Çok yönlülük: Çeşitli yapılandırma ihtiyaçlarına uygun karmaşık veri yapılarını temsil edebilir.

Resmi YAML Spesifikasyonundan yapısı hakkında daha fazla bilgi edinebilirsiniz.

Yapay Zeka ve Makine Öğrenimi Uygulamalarında YAML

YAML dosyaları, bir proje yaşam döngüsünün çeşitli yönlerini tanımlamak ve yönetmek için AI ve ML ortamında yaygın olarak kullanılmaktadır ve yapılandırmayı koddan ayırarak tutarlılığı ve işbirliğini teşvik etmektedir. Temel uygulama alanları şunları içerir:

• Model Yapılandırması: Katmanlar, ReLU veya SiLU gibi aktivasyon fonksiyonları ve bağlantılar dahil olmak üzere sinir ağlarının (NN) mimarisini tanımlama. Gibi çerçeveler PyTorch ve TensorFlow modelleri yapılandırmak için genellikle YAML kullanır. Mesela, Ultralytics YOLO gibi modeller YOLOv8 ve YOLO11omurga ve algılama başlığı dahil olmak üzere model yapısını belirtmek için YAML dosyalarını kullanın.
• Veri Kümesi Tanımı: Eğitim verilerine, doğrulama verilerine, sınıf adlarına ve diğer veri kümesine özgü parametrelere giden yolların belirtilmesi. Bu, COCO veya VOC gibi veri kümelerini kullanan nesne algılama gibi görevler için yaygındır. Ultralytics , veri kümelerini tanımlamak için YAML dosyalarını yaygın olarak kullanır.
• Eğitim Boru Hattı Yapılandırması: Hiperparametrelerin ve ayarların belirlenmesi model eğitim süreci. Bu, aşağıdaki gibi parametreleri içerir parti boyutları, öğrenme oranları, sayısı çağlar, optimizasyon algoritmaları (örn, Adam), ve veri artırımı Stratejiler. Örnek: Bir YAML dosyası şunları belirtebilir epochs: 100, batch_size: 16, learning_rate: 0.001ve rastgele çevirme veya döndürme gibi liste büyütme teknikleri. Bu, araştırmacıların ve mühendislerin eğitim deneylerini kolayca izlemelerine ve değiştirmelerine olanak tanır.
• MLOps Pipelines: Makine Öğrenimi Operasyonları (MLOps) platformlarında iş akışlarını tanımlama. Kubeflow Pipelines ve MLflow Projects gibi araçlar, veri ön işlemeden model dağıtımına ve izlemeye kadar bir ML boru hattındaki adımların sırasını tanımlamak için YAML kullanır.
• Dağıtım Yapılandırması: Kaynak gereksinimleri gibi modelleri dağıtmak için ayarları belirtme (örn, CPU/GPU tahsisi), ölçeklendirme parametreleri ve ortam değişkenleri, genellikle Docker gibi konteynerleştirme teknolojileri ile birlikte kullanılır. Örnek: Bir Kubernetes kümesi için bir dağıtım YAML'si, bir model sunma uç noktası, bellek sınırları ve kullanılacak Docker görüntüsü için çoğaltma sayısını tanımlayabilir. İlgili kurulumlar için Ultralytics Docker Quickstart 'a bakın.

YAML ve Diğer Formatlar

YAML diğer veri serileştirme formatlarıyla benzer amaçlara hizmet etse de, farklı özelliklere sahiptir:

• YAML vs JSON (JavaScript Object Notation): Her ikisi de insan tarafından okunabilir ve benzer veri yapılarını destekler. JSON daha katıdır, dizelerin etrafında tırnak işaretleri gerektirir ve parantezler kullanır {} ve parantezler []. YAML, girinti kullanımı ve minimal sözdizimi nedeniyle karmaşık yapılandırmalar için genellikle daha okunabilir olarak kabul edilir. Ancak JSON, web API'leri için daha yaygın olarak kullanılmaktadır. Daha fazla ayrıntı şu adreste bulunabilir JSON.org.
• YAML vs. XML (Genişletilebilir İşaretleme Dili): XML, Avrupa Birliği tarafından tanımlanan bir işaretleme dilidir. W3C etiketlerini kullanan (<tag>...</tag>) öğeleri tanımlamak için kullanılır. YAML ve JSON'dan daha ayrıntılıdır. Belge yapılandırma ve doğrulama için güçlü olsa da (örn. veri ek açıklaması), XML genellikle YAML'ın daha temiz stiline kıyasla okunabilirliğin çok önemli olduğu yapılandırma dosyaları için daha az tercih edilir.

YAML'nin insan tarafından okunabilirliğe odaklanması, onu AI/ML projelerindeki yapılandırma dosyaları için mükemmel bir seçim haline getirir, özellikle ML yaşam döngüsünü kolaylaştıran Ultralytics HUB gibi platformlarda yönetimi basitleştirir ve işbirliğini geliştirir.