Connectez-vous à YOLO Vision 2025 !
25 septembre 2025
10:00 — 18:00, heure d'été britannique
Événement hybride
Yolo Vision 2024
Glossaire

PyTorch

Découvrez PyTorch, le framework d'apprentissage automatique flexible et axé sur Python qui alimente les innovations en matière d'IA comme Ultralytics YOLO. Construisez plus intelligemment, plus rapidement dès aujourd'hui !

PyTorch est un framework d'apprentissage automatique (ML) puissant et open source basé sur la bibliothèque Torch, largement utilisé pour des applications telles que la vision par ordinateur (CV) et le traitement du langage naturel (NLP). Développé par Meta AI et maintenant géré par la PyTorch Foundation indépendante, il est apprécié pour sa simplicité, sa flexibilité et sa conception axée sur Python. Cela en fait un favori parmi les chercheurs et les développeurs pour le prototypage rapide et la construction d'architectures de réseaux neuronaux complexes. Le cœur du framework est construit autour des Tensors, qui sont des tableaux multidimensionnels similaires aux tableaux NumPy, mais avec la capacité supplémentaire de fonctionner sur des GPU pour un calcul accéléré.

Principales caractéristiques de PyTorch

La philosophie de conception de PyTorch privilégie l'expérience utilisateur et la vitesse, ce qui se traduit par plusieurs caractéristiques remarquables :

  • Graphes de calcul dynamiques : Contrairement aux frameworks qui exigent qu'un graphe statique soit défini au préalable, PyTorch utilise une approche de type « define-by-run ». Ce graphe dynamique, également connu sous le nom d'exécution impérative, offre plus de flexibilité et facilite le débogage, car les développeurs peuvent inspecter et modifier le graphe pendant l'exécution. Ceci est particulièrement utile pour les modèles avec des structures variables, tels que les réseaux neuronaux récurrents (RNN).
  • Intégration Pythonique : Elle s'intègre de manière transparente à la pile de science des données Python, ce qui la rend intuitive pour les développeurs. Il est facile de commencer avec le guide de démarrage rapide d'Ultralytics ou les instructions d'installation officielles de PyTorch.
  • Riche écosystème d'outils : PyTorch est pris en charge par une suite de bibliothèques spécifiques à un domaine, telles que TorchVision pour la vision par ordinateur, TorchText pour le NLP et TorchAudio pour le traitement audio, qui fournissent des architectures, des ensembles de données et des transformations populaires.
  • Transition transparente vers la production : Avec des outils comme TorchScript pour la création de modèles sérialisables et optimisables et TorchServe pour le service de modèles axé sur la performance, PyTorch comble le fossé entre la recherche et la production. Ultralytics offre diverses options de déploiement de modèles pour les modèles entraînés dans PyTorch.

Applications concrètes

La flexibilité et la puissance de PyTorch ont conduit à son adoption dans de nombreuses applications d'IA de pointe :

  1. Conduite autonome : Tesla Autopilot utilise massivement PyTorch pour son pipeline de développement. Comme le soulignent leurs présentations de l'AI Day, les ingénieurs de Tesla utilisent PyTorch pour construire et entraîner les modèles complexes d'apprentissage profond qui effectuent la détection d'objets et la compréhension de la scène en temps réel.
  2. Analyse d’images médicales : Dans l’IA dans le domaine de la santé, PyTorch est utilisé pour développer des modèles d’analyse d’images médicales. Par exemple, NVIDIA Clara est un cadre d’application de soins de santé qui utilise PyTorch pour des tâches comme la segmentation d’images afin de délimiter automatiquement les tumeurs, aidant ainsi les radiologues à poser des diagnostics plus rapides et plus précis.

PyTorch dans l'écosystème de l'IA

PyTorch est un acteur clé aux côtés d'autres frameworks comme TensorFlow. Bien que les deux soient puissants, le choix dépend souvent des besoins du projet. Une comparaison détaillée est disponible dans notre article de blog, Exploring Vision AI Frameworks. Il est également important de distinguer PyTorch d'une bibliothèque de vision par ordinateur comme OpenCV, qui fournit des outils de traitement d'image et de vidéo, mais qui n'est pas un framework de deep learning de bout en bout.

Tous les modèles Ultralytics YOLO, y compris le YOLO11 à la pointe de la technologie, sont construits à l'aide de PyTorch. Cela leur permet de tirer parti des performances et de la flexibilité du framework. Des plateformes comme Ultralytics HUB rationalisent l'ensemble du cycle de vie de l'entraînement de modèles personnalisés, de la gestion des ensembles de données et de leur déploiement.

PyTorch bénéficie d'un support robuste via son site web officiel, une documentation exhaustive et une communauté de développeurs dynamique. Pour ceux qui cherchent à optimiser leur processus d'entraînement, les guides sur le réglage des hyperparamètres et les conseils d'entraînement des modèles sont des ressources précieuses. Le référentiel GitHub officiel du framework est un autre excellent endroit pour le support et les contributions de la communauté.

Rejoignez la communauté Ultralytics

Rejoignez le futur de l'IA. Connectez-vous, collaborez et évoluez avec des innovateurs mondiaux.

Rejoindre maintenant
Lien copié dans le presse-papiers