اكتشف PyTorch إطار عمل التعلّم الآلي المرن الذي Python والذي يدعم ابتكارات الذكاء الاصطناعي مثل Ultralytics YOLO. قم ببناء أذكى وأسرع اليوم!
PyTorch إطار عمل مفتوح المصدر رائد للتعلم الآلي (ML) أصبح أداة قياسية للباحثين والمطورين الذين يبنون أنظمة ذكية. تم تطويره في الأصل من قبل الباحثين في Meta AI، ويخضع الآن لإدارة PyTorch المستقلة ، مما يضمن نموه وحياده بقيادة المجتمع. يشتهر هذا الإطار بمرونته وتصميمه "Pythonic"، ويتيح للمستخدمين إنشاء بنى شبكات عصبية (NN) معقدة باستخدام كود بديهي ويسهل دمجه مع Python الأوسع.
في قلب المكتبة توجد التوترات، وهي مصفوفات متعددة الأبعاد مشابهة لتلك المستخدمة في NumPy. ومع ذلك، على عكس المصفوفات القياسية، يمكن معالجة PyTorch على وحدة معالجة الرسوماتGPU ) باستخدام NVIDIA CUDA . تعمل هذه القدرة على تسريع عمليات حساب المصفوفات الضخمة المطلوبة لمهام التعلم العميق (DL) بشكل كبير، مما يجعل من الممكن تدريب النماذج على ملايين الصور أو كميات هائلة من البيانات النصية بكفاءة.
PyTorch بعدة خيارات تصميمية تضع إنتاجية المطورين وسهولة تصحيح الأخطاء في مقدمة أولوياتها:
autograd يقوم النظام تلقائيًا بحساب التدرجات —
المشتقات اللازمة لـ
الانتشار الخلفي—تبسيط تنفيذ
المعقدة خوارزميات التحسين دون
الحاجة إلى حساب يدوي.
أدى تنوع هذا الإطار إلى اعتماده في مختلف الصناعات لحلول الذكاء الاصطناعي عالية التأثير:
لفهم دوره بشكل أفضل، من المفيد التمييز PyTorch والأدوات الشائعة الأخرى في مجموعة أدوات الذكاء الاصطناعي:
مجموعة Ultralytics بالكامل، بما في ذلك YOLO26 المتطورة و YOLO11، مبني أصلاً على PyTorch. يضمن هذا الأساس استفادة المستخدمين من سرعة الإطار واستقراره ودعم المجتمع الواسع النطاق. سواء كان ذلك عند إجراء التعلم النقلي على بيانات تدريب مخصصة أو تصدير نماذج لأجهزة الحافة، فإن البنية الأساسية تعتمد على PyTorch وتدرجات PyTorch .
تعمل Ultralytics القادمة على تبسيط هذه التجربة بشكل أكبر، حيث توفر واجهة موحدة لإدارة مصادر البيانات والتدريب والنشر دون الحاجة إلى كتابة كود نمطي مكثف.
يوضح المثال التالي كيفية التحقق من GPU وتشغيل الاستدلال باستخدام YOLO مع عرض كيفية تعامل إطار العمل مع تسريع الأجهزة في الخلفية:
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)
