YAML

YAML 的主要功能

YAML 优先考虑人类的可读性。其结构主要依靠缩进来表示层次，类似于 Python等格式相比，YAML 的文件更简洁。主要特点包括

• 人类可读的语法：尽量少用括号或标签，使文件易于阅读和编辑。
• 通过缩进实现结构化：使用空格（而不是制表符）定义嵌套结构，提高清晰度。
• 支持数据结构：本机支持标量（字符串、数字、布尔值）、列表（序列）和字典（映射/键值对）等常见数据类型。
• 评论： 允许使用 # 符号，用于文件内的文档。
• 多功能性：可表示复杂的数据结构，适合各种配置需求。

您可以从官方的YAML 规范中了解更多有关其结构的信息。

人工智能和 ML 应用中的 YAML

YAML 文件广泛应用于人工智能和 ML 领域，用于定义和管理项目生命周期的各个方面，通过将配置与代码分离来促进一致性和协作。主要应用领域包括

• 模型配置：定义神经网络 (NN) 的架构，包括层、激活函数（如ReLU或SiLU）和连接。框架，如 PyTorch和 TensorFlow等框架通常使用 YAML 来配置模型。例如 Ultralytics YOLO模型，如 YOLOv8和 YOLO11使用 YAML 文件指定模型结构，包括主干和检测头。
• 数据集定义：指定训练数据、验证数据、类名和其他特定数据集参数的路径。这在使用COCO或VOC 等数据集进行对象检测等任务中很常见。Ultralytics 广泛使用 YAML 文件来定义数据集。
• 培训管道配置： 指定超参数和设置 模型训练过程.其中包括以下参数 批量大小, 学习率数量 纪元, 优化算法 例如 亚当)，以及 数据扩增 战略。 例如 YAML 文件可以指定 epochs: 100, batch_size: 16, learning_rate: 0.001以及随机翻转或旋转等列表增强技术。这样，研究人员和工程师就能轻松跟踪和修改训练实验。
• MLOps 管道：在机器学习运营（MLOps）平台中定义工作流。Kubeflow Pipelines和MLflow Projects等工具使用 YAML 来描述 ML 管道中从数据预处理到模型部署和监控的步骤顺序。
• 部署配置：指定部署模型的设置，如资源要求（如 CPU/GPU分配）、扩展参数和环境变量，通常与Docker 等容器化技术结合使用。举例说明： Kubernetes集群的部署 YAML 可以定义模型服务端点的副本数量、内存限制以及要使用的 Docker 镜像。相关设置请参见Ultralytics Docker 快速入门。

YAML 与其他格式

虽然 YAML 的用途与其他数据序列化格式类似，但它具有与众不同的特点：

• YAML 与JSON（JavaScript Object Notation）： 两者都是人类可读的，支持类似的数据结构。JSON 更严格，要求在字符串周围加上引号，并使用大括号 {} 和括号 [].对于复杂的配置，YAML 通常被认为更易读，因为它使用了缩进和最少的语法。不过，JSON 更广泛地用于网络应用程序接口。更多详情请访问 JSON.org.
• YAML 与XML（可扩展标记语言）： XML 是一种标记语言，由 W3C 使用标签 (<tag>...</tag>) 来定义元素。它比 YAML 和 JSON 更啰嗦。虽然在文档结构化和验证方面功能强大（例如在 数据注释)，在对可读性要求较高的配置文件中，XML 通常不如 YAML 风格简洁。

YAML 注重人类的可读性，因此是人工智能/ML 项目配置文件的绝佳选择，可简化管理并改善协作，特别是在Ultralytics HUB等平台上，这些平台可简化 ML 生命周期。