Découvrez PyTorch, le framework d'apprentissage machine flexible, Python, qui alimente des innovations en IA comme Ultralytics YOLO. Construisez plus vite et plus intelligemment dès aujourd'hui !
PyTorch est un outil open-source de premier plan pour l'apprentissage machine (ML) et l'analyse des donnéesPyTorch d'apprentissage automatique (ML) et d'apprentissage l'apprentissage profond (DL) qui facilite le développement de développement de systèmes intelligents. Développé à l'origine par des chercheurs de Meta AI, il est maintenant régi par la fondation indépendante PyTorch , garantissant une croissance une croissance neutre et pilotée par la communauté. Réputé pour sa flexibilité et sa conception "pythonique", il permet aux développeurs de construire des systèmes complexes. aux développeurs de construire des architectures architectures complexes de réseaux neuronaux (NN) avec un code naturel et intuitif au sein de l'écosystèmePython .
Au fond, le cadre fonctionne sur des tenseurs, qui sont des tableaux multidimensionnels semblables à ceux que l'on trouve dans les systèmes d'information. sont des tableaux multidimensionnels similaires à ceux que l'on trouve dans la base de données NumPy . Cependant, contrairement aux tableaux standard, ces structures de données peuvent être traitées sur un ordinateur, Cependant, contrairement aux tableaux standard, ces structures de données peuvent être traitées sur une base de données. GPU afin d'accélérer considérablement la vitesse de calcul. Cette capacité est essentielle pour gérer le traitement parallèle massif requis lors de l'entraînement des modèles d'IA modernes pour des tâches telles que l'analyse de l'information. modèles d'IA modernes pour des tâches telles que la vision artificielle (CV) et la compréhension du naturel.
PyTorch se distingue des autres frameworks par un ensemble spécifique de choix de conception qui donnent la priorité à la productivité des développeurs et à la facilité de débogage. développeurs et la facilité de débogage :
autograd qui
calcule automatiquement les gradients, c'est-à-dire les dérivées mathématiques nécessaires à l'obtention d'un résultat positif.
rétropropagation. Cela simplifie la
l'implémentation de
algorithmes d'optimisation pendant la formation.
La flexibilité de ce cadre a conduit à son adoption généralisée dans diverses industries pour des applications à fort impact. pour des applications à fort impact :
Pour comprendre la place de PyTorch dans la boîte à outils du développeur, il est utile de le distinguer des technologies apparentées :
Tous les produits Ultralytics YOLO11 sont construits nativement sur PyTorch. Les utilisateurs bénéficient ainsi de la rapidité du framework et du soutien de la communauté. Qu'il s'agisse de faire de l'apprentissage par transfert l 'apprentissage par transfert sur un ensemble de données déployer un modèle pour l'edge computing, l'architecture sous-jacente s'appuie sur les tenseurs et les gradients de PyTorch .
La future plateformeUltralytics simplifie encore cette expérience, une interface rationalisée pour la formation et la gestion de ces modèles sans qu'il soit nécessaire d'écrire un code de code.
L'exemple suivant montre comment charger un modèle pré-entraîné et exécuter l'inférence. fonctionne sous le capot pour gérer des calculs lourds :
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.")
