PyTorch
استكشف PyTorch، المكتبة الأساسية التي تشغل Ultralytics YOLO26. تعلم عن رسومها البيانية الديناميكية، وتسريع وحدة معالجة الرسومات، وكيفية بناء نماذج تعلم عميق فعالة.
PyTorch هي مكتبة تعلم آلي مفتوحة المصدر تم تطويرها بشكل أساسي بواسطة Meta AI، وقد أصبحت حجر الزاوية للباحثين والمطورين في مجال التعلم العميق. تشتهر المكتبة بمرونتها وسهولة استخدامها، مما يتيح للمستخدمين بناء وتدريب شبكات عصبية معقدة باستخدام مخطط حسابي ديناميكي. هذه الميزة، التي يُشار إليها غالبًا باسم "التنفيذ الفوري" (eager execution)، تتيح تقييم الكود بشكل فوري، مما يجعل تصحيح الأخطاء والنماذج الأولية أكثر سهولة بشكل ملحوظ مقارنة بالأطر التي تعتمد على تعريفات الرسوم البيانية الثابتة. تتكامل المكتبة بسلاسة مع لغة البرمجة Python، مما يجعلها تبدو كامتداد طبيعي لأدوات الحوسبة العلمية القياسية.
Link to this sectionالآليات الأساسية والأهمية#
في قلب هذا الإطار توجد tensors، وهي مصفوفات متعددة الأبعاد تشبه تلك الموجودة في توثيق NumPy. ومع ذلك، على عكس المصفوفات القياسية، تم تصميم PyTorch tensors للاستفادة من تسريع GPU الذي توفره NVIDIA CUDA. يعد هذا التسريع العتادي أمراً بالغ الأهمية للمعالجة المتوازية الهائلة المطلوبة لتدريب نماذج الذكاء الاصطناعي (AI) الحديثة بكفاءة.
تدعم المكتبة نظاماً بيئياً واسعاً من الأدوات الخاصة بـ رؤية الحاسوب (CV) ومعالجة اللغات الطبيعية. من خلال توفير مجموعة غنية من الطبقات والمحسّنات ودوال الخسارة الجاهزة، فإنها تبسط عملية إنشاء خوارزميات لمهام مثل تصنيف الصور ونمذجة التسلسل.
Link to this sectionتطبيقات العالم الحقيقي#
لقد أدى تعدد استخدامات هذا الإطار إلى اعتماده عبر صناعات متنوعة لحلول الذكاء الاصطناعي ذات التأثير العالي:
-
المركبات ذاتية القيادة: يستفيد قادة الصناعة من PyTorch لبناء نماذج تعلم عميق تعالج خلاصات الفيديو من كاميرات السيارات. تقوم هذه النماذج بـ كشف الأشياء في الوقت الفعلي لتحديد المسارات، والإشارات، والمشاة، مما يتيح تنقلاً أكثر أماناً.
-
التشخيص الطبي: يستخدم الباحثون هذا الإطار لتطوير تطبيقات رعاية صحية متقدمة. على سبيل المثال، هو يدعم الأنظمة التي تحلل فحوصات التصوير بالرنين المغناطيسي (MRI) أو الأشعة السينية لمساعدة الأطباء في الكشف عن الأورام عبر تجزئة الصور الدقيقة.
Link to this sectionالمقارنة مع الأدوات ذات الصلة#
لفهم دورها بشكل أفضل، من المفيد تمييز PyTorch عن الأدوات الشائعة الأخرى في حزمة الذكاء الاصطناعي:
- مقابل TensorFlow: تم تطوير TensorFlow بواسطة Google، واعتمد تاريخياً على مخططات حسابية ثابتة، مما جعل تصحيح الأخطاء أصعب ولكنه حسن من عمليات النشر. في حين أن كلا الإطارين قد تقاربا في الميزات، غالباً ما يُفضل PyTorch للنماذج الأولية السريعة والبحث بسبب واجهته البديهية.
- مقابل OpenCV: OpenCV هي مكتبة تركز على وظائف معالجة الصور التقليدية (مثل تغيير الحجم، والتصفية، وتحويل الألوان) بدلاً من تدريب الشبكات العصبية. في سير العمل النموذجي، يستخدم المطورون OpenCV لـ معالجة البيانات قبل إدخال الصور في نموذج PyTorch للتحليل.
Link to this sectionالتكامل مع Ultralytics#
تعتمد عائلة نماذج Ultralytics بأكملها، بما في ذلك YOLO26 المتطور وYOLO11 واسع الانتشار، على PyTorch بشكل أصلي. تضمن هذه القاعدة استفادة المستخدمين من سرعة الإطار، واستقراره، ودعم المجتمع الواسع. سواء كنت تقوم بـ التعلم بنقل المعرفة على بيانات تدريب مخصصة أو تصدير نماذج للأجهزة الطرفية، فإن البنية التحتية تعتمد على PyTorch tensors والتدرجات.
تعمل منصة Ultralytics Platform القادمة على تبسيط هذه التجربة بشكل أكبر، حيث توفر واجهة موحدة لإدارة مصادر مجموعات البيانات، والتدريب، والنشر دون الحاجة إلى كتابة كود برمجي أساسي مكثف.
يوضح المثال التالي كيفية التحقق من توفر GPU وتشغيل الاستدلال باستخدام نموذج YOLO، مما يظهر كيف يتعامل الإطار مع التسريع العتادي خلف الكواليس:
import torch
from ultralytics import YOLO
# Check if CUDA (GPU) is available for PyTorch acceleration
device = "cuda" if torch.cuda.is_available() else "cpu"
print(f"PyTorch is using device: {device}")
# Load a YOLO26n model (built on PyTorch)
model = YOLO("yolo26n.pt")
# Perform object detection on an image
# PyTorch handles tensor operations and moves data to the GPU automatically
results = model("https://ultralytics.com/images/bus.jpg", device=device)
