PyTorch
Scopri PyTorch, la libreria alla base di Ultralytics YOLO26. Approfondisci i suoi grafi dinamici, l’accelerazione GPU e come creare modelli efficienti di deep learning.
PyTorch è una libreria open source per il machine learning sviluppata principalmente da Meta AI, che è diventata un punto di riferimento per ricercatori e sviluppatori nel campo del deep learning. Nota per la sua flessibilità e facilità d'uso, consente di creare e addestrare reti neurali complesse utilizzando un grafo computazionale dinamico. Questa funzionalità, spesso indicata come "esecuzione eager", consente di valutare immediatamente il codice, rendendo il debugging e la prototipazione molto più intuitivi rispetto ai framework che si basano su definizioni di grafi statici. Si integra perfettamente con il linguaggio di programmazione Python, comportandosi come un'estensione naturale degli strumenti standard per il calcolo scientifico.
Meccanismi fondamentali e importanza#
Al centro di questo framework ci sono i tensori, array multidimensionali simili a quelli descritti nella documentazione di NumPy. Tuttavia, a differenza degli array standard, i tensori PyTorch sono progettati per sfruttare l'accelerazione GPU fornita da NVIDIA CUDA. Questa accelerazione hardware è fondamentale per l'elaborazione massivamente parallela necessaria ad addestrare in modo efficiente i moderni modelli di intelligenza artificiale (AI).
La libreria supporta un vasto ecosistema di strumenti per la visione artificiale (CV) e l'elaborazione del linguaggio naturale. Grazie a un ricco insieme di livelli, ottimizzatori e funzioni di perdita predefiniti, semplifica la creazione di algoritmi per attività come la classificazione delle immagini e la modellazione di sequenze.
Applicazioni nel mondo reale#
La versatilità di questo framework ne ha favorito l'adozione in diversi settori per soluzioni di AI ad alto impatto:
-
Veicoli autonomi: I principali operatori del settore sfruttano PyTorch per creare modelli di deep learning che elaborano i flussi video delle telecamere delle automobili. Questi modelli eseguono il rilevamento degli oggetti in tempo reale per identificare corsie, segnali stradali e pedoni, consentendo una navigazione più sicura.
-
Diagnostica medica: I ricercatori utilizzano il framework per sviluppare applicazioni sanitarie avanzate. Ad esempio, alimenta sistemi che analizzano scansioni MRI o radiografie per aiutare i medici a rilevare tumori tramite una precisa segmentazione delle immagini.
Confronto con strumenti correlati#
Per comprendere meglio il suo ruolo, è utile distinguere PyTorch dagli altri strumenti comuni dello stack di AI:
- Rispetto a TensorFlow: Sviluppato da Google, TensorFlow si basava storicamente su grafi computazionali statici, che rendevano più difficile il debugging ma ottimizzavano la distribuzione. Sebbene entrambi i framework abbiano ormai funzionalità simili, PyTorch è spesso preferito per la prototipazione rapida e la ricerca grazie alla sua interfaccia intuitiva.
- Rispetto a OpenCV: OpenCV è una libreria incentrata sulle funzioni tradizionali di elaborazione delle immagini, come ridimensionamento, filtraggio e conversione dei colori, anziché sull'addestramento di reti neurali. In un flusso di lavoro tipico, gli sviluppatori utilizzano OpenCV per il preprocessing dei dati prima di fornire le immagini a un modello PyTorch per l'analisi.
Integrazione con Ultralytics#
L'intera famiglia di modelli Ultralytics, inclusi il recente YOLO26 e l'ampiamente utilizzato YOLO11, è sviluppata nativamente su PyTorch. Questa base garantisce agli utenti i vantaggi della velocità, della stabilità e dell'ampio supporto della community del framework. Che si esegua il transfer learning su dati di addestramento personalizzati o si esportino modelli per dispositivi edge, l'architettura sottostante si basa sui tensori e sui gradienti PyTorch.
La prossima Ultralytics Platform semplifica ulteriormente questa esperienza, fornendo un'interfaccia unificata per gestire l'acquisizione dei dataset, l'addestramento e la distribuzione senza dover scrivere grandi quantità di codice boilerplate.
L'esempio seguente mostra come verificare la disponibilità della GPU ed eseguire l'inferenza utilizzando un modello YOLO, illustrando come il framework gestisce l'accelerazione hardware internamente:
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)
