PyTorch

PyTorch هي منصة رائدة مفتوحة المصدر مفتوح المصدر والتعلم العميق (DL) الذي يسهل تطوير الأنظمة الذكية. تم تطويره في الأصل من قبل باحثين في Meta AI, وهو الآن محكوم من قبل مؤسسةPyTorch المستقلة، مما يضمن نموًا محايدًا وقائمًا على المجتمع. تشتهر بمرونتها وتصميمها "البيثوني"، فهي تتيح للمطورين للمطورين ببناء بنيات معقدة للشبكات العصبية (NN) مع التعليمات البرمجية التي تبدو طبيعية وبديهية داخل نظامPython البيئي.

يعمل إطار العمل في جوهره على الموترات، والتي وهي مصفوفات متعددة الأبعاد مشابهة لتلك الموجودة في NumPy NumPy. ومع ذلك, على عكس المصفوفات القياسية، يمكن معالجة هياكل البيانات هذه على GPU لتسريع السرعة الحسابية بشكل كبير. هذه القدرة ضرورية للتعامل مع المعالجة المتوازية الضخمة المطلوبة عند تدريب نماذج الذكاء الاصطناعي الحديثة لمهام مثل الرؤية الحاسوبية (السيرة الذاتية) واللغة الطبيعية وفهم اللغة الطبيعية.

الميزات والمزايا الرئيسية

يميز PyTorch نفسه عن الأطر الأخرى من خلال مجموعة محددة من خيارات التصميم التي تعطي الأولوية للمطورين الإنتاجية وسهولة تصحيح الأخطاء:

• الرسوم البيانية الحسابية الديناميكية: على عكس الأطر التي كانت تستخدم تاريخيًا الرسوم البيانية الثابتة (تحديد الشبكة قبل تشغيلها)، تستخدم PyTorch فلسفة "التعريف بالتشغيل". هذا يسمح للمطورين بتعديل الرسم البياني أثناء التشغيل، مما يسهل عملية التصحيح والتعامل مع المدخلات ذات الطول المتغير، وهو أمر مفيد بشكل خاص في معالجة اللغة الطبيعية (NLP).
• التمايز التلقائي: يتضمن إطار العمل وحدة نمطية تسمى autograd التي تلقائيًا بحساب التدرجات - المشتقات الرياضية اللازمة ل الانتشار الخلفي. وهذا يبسّط عملية تنفيذ خوارزميات التحسين أثناء التدريب.
• نظام بيئي قوي: وهو مدعوم بمكتبات خاصة بالمجال مثل TorchVision لمهام الصور، والتي توفر نماذج ومجموعات بيانات مدرّبة مسبقاً، ومكتبة TorchAudio لمعالجة لمعالجة الصوت.
• النشر السلس: مع أدوات مثل TorchScriptيمكن نقل النماذج من بيئة بحثية إلى النشر في بيئة الإنتاج دون تبعيات ثقيلة، مما يدعم كفاءة خدمة النماذج بكفاءة.

تطبيقات واقعية

وقد أدت مرونة هذا الإطار إلى اعتماده على نطاق واسع في مختلف الصناعات في التطبيقات عالية التأثير عالية التأثير:

1. القيادة الذاتية: تستخدم شركات مثل تسلا نماذج نماذج التعلم العميق المبنية على PyTorch لمعالجة مقاطع الفيديو من كاميرات السيارة. تعمل هذه النماذج على للكشف عن الأجسام في الوقت الفعلي لتحديد المسارات والمشاة والمركبات الأخرى، مما يمكّن المركبات ذاتية القيادة من التنقل بأمان.
2. تشخيص الرعاية الصحية: في مجال تحليل الصور الطبية، يستخدم الباحثون إطار العمل لتدريب النماذج التي detect الحالات الشاذة في الأشعة السينية والتصوير بالرنين المغناطيسي. على سبيل المثال, تستفيد NVIDIA Clara من هذه القدرات لمساعدة أخصائيي الأشعة في تحديد الأورام بدقة أعلى باستخدام تجزئة الصور.

PyTorch مقابل الأدوات الأخرى

لفهم مكان PyTorch في مجموعة أدوات المطورين، من المفيد تمييزها عن التقنيات ذات الصلة:

• مقابل. TensorFlow: في حين أن كلاهما أطر عمل شاملة للتعلم العميق، فإن TensorFlow (الذي طورته Google) معروف تاريخياً بالرسوم البيانية الثابتة و وسير عمل النشر الثقيل. غالبًا ما يُفضّل PyTorch في البحث والنماذج الأولية السريعة نظرًا لطبيعته الديناميكية وسهولة استخدامه، على الرغم من أن كلاهما تقاربا في الميزات بمرور الوقت.
• مقابل. OpenCV: OpenCV هي مكتبة مخصصة لمعالجة الصور التقليدية (تغيير الحجم، والترشيح، وتحويل الألوان) بدلاً من التعلم العميق. في سير عمل سير العمل النموذجي، يستخدم المطورون OpenCV من أجل المعالجة المسبقة للبيانات قبل إدخال الصور إلى شبكة عصبية PyTorch للتحليل.

التكامل مع Ultralytics

الكل Ultralytics YOLO11 مبنية أصلاً على PyTorch. وهذا يضمن استفادة المستخدمين من سرعة إطار العمل والدعم المجتمعي الشامل. سواء كان الانخراط في نقل التعلم على مجموعة بيانات مخصصة أو أو نشر نموذج للحوسبة المتطورة، فإن البنية الأساسية تستفيد من موتر PyTorch وتدرجاتها.

تعمل منصةUltralytics القادمة على تبسيط هذه التجربة بشكل أكبر, حيث تقدم واجهة مبسطة لتدريب وإدارة هذه النماذج دون الحاجة إلى كتابة واسعة النطاق.

يوضّح المثال التالي كيفية تحميل نموذج مُدرَّب مسبقًا وتشغيل الاستدلال، ويوضح كيف يعمل إطار العمل يعمل تحت الغطاء للتعامل مع العمليات الحسابية الثقيلة:

from ultralytics import YOLO

# Load a standard YOLO11 model (built on PyTorch)
model = YOLO("yolo11n.pt")

# Perform object detection on an image
# PyTorch handles the tensor operations and GPU acceleration automatically
results = model("https://ultralytics.com/images/bus.jpg")

# Print the number of objects detected
print(f"Detected {len(results[0].boxes)} objects.")