PyTorch

PyTorch è il principale software open-source di apprendimento automatico (ML) e apprendimento profondo (DL) che facilita lo sviluppo di sistemi intelligenti. sviluppo di sistemi intelligenti. Originariamente sviluppato dai ricercatori di Meta AI, è ora governato dalla Fondazione indipendente PyTorch , che garantisce una crescita neutrale e guidata dalla comunità. Rinomato per la sua flessibilità e per il suo design "pitonico", permette agli sviluppatori di di costruire architetture di reti neurali (NN) complesse architetture di reti neurali (NN) complesse con un codice che naturale e intuitivo all'interno dell'ecosistemaPython .

Nel suo nucleo, il framework opera su tensori, che sono array multidimensionali simili a quelli presenti in NumPy di NumPy. Tuttavia, a differenza degli array standard, queste strutture di dati possono essere elaborate su un GPU per accelerare significativamente velocità di calcolo. Questa capacità è essenziale per gestire la massiccia elaborazione in parallelo richiesta per l'addestramento di modelli di moderni modelli di intelligenza artificiale per compiti come visione artificiale (CV) e la comprensione del linguaggio comprensione del linguaggio naturale.

Caratteristiche e vantaggi principali

PyTorch si distingue dagli altri framework per una serie di scelte progettuali specifiche che privilegiano la produttività dello sviluppatore e la facilità di debug. produttività degli sviluppatori e la facilità di debug:

• Grafi computazionali dinamici: A differenza dei framework che storicamente hanno utilizzato grafi statici (definendo la rete prima di eseguirla), PyTorch impiega la filosofia "define-by-run". rete prima di eseguirla), PyTorch impiega una filosofia "define-by-run". Questo permette agli sviluppatori di modificare il grafo al volo, rendendo più facile il debug e la gestione di input di lunghezza variabile, particolarmente utili nell'elaborazione del linguaggio naturale (NLP). elaborazione del linguaggio naturale (NLP).
• Differenziazione automatica: Il framework include un modulo chiamato autograd che calcola automaticamente i gradienti, ovvero le derivate matematiche necessarie per backpropagation. Questo semplifica la l'implementazione di algoritmi di ottimizzazione durante l'addestramento.
• Ecosistema robusto: È supportato da librerie specifiche per il settore, come ad esempio TorchVision per le attività relative alle immagini, che fornisce modelli e dataset pre-addestrati, e TorchAudio per l'elaborazione del suono. l'elaborazione del suono.
• Distribuzione senza problemi: Con strumenti come TorchScripti modelli possono essere trasferiti da un ambiente di ricerca di ricerca alla distribuzione in produzione senza pesanti dipendenze, sostenendo un efficiente modelli.

Applicazioni nel mondo reale

La flessibilità di questo framework ha portato alla sua adozione diffusa in diversi settori per applicazioni ad alto impatto. applicazioni ad alto impatto:

1. Guida autonoma: Aziende come Tesla utilizzano modelli di deep learning costruiti su PyTorch per elaborare i feed video delle telecamere dei veicoli. Questi modelli eseguono in tempo reale in tempo reale per identificare corsie, pedoni e altri veicoli, e altri veicoli, consentendo ai veicoli veicoli autonomi di navigare in sicurezza.
2. Diagnostica sanitaria: Nel campo dell'analisi delle immagini analisi delle immagini mediche, i ricercatori utilizzano il framework per addestrare modelli che detect anomalie nelle radiografie e nelle risonanze magnetiche. Ad esempio, NVIDIA Clara sfrutta queste capacità per assistere i radiologi nella identificare i tumori con maggiore accuratezza grazie alla segmentazione delle immagini.

PyTorch contro altri strumenti

Per capire dove PyTorch si colloca nel kit di strumenti per sviluppatori, è utile distinguerlo dalle tecnologie affini:

• Vs. TensorFlow: sebbene entrambi siano sono framework completi per l'apprendimento profondo, TensorFlow (sviluppato da Google) è storicamente conosciuto per i grafici statici e i flussi di lavoro grafici statici e flussi di lavoro pesanti. PyTorch è spesso preferito nella ricerca e nella prototipazione rapida per la sua natura dinamica e la facilità d'uso. e alla facilità d'uso, anche se nel tempo entrambi hanno registrato una convergenza di funzioni.
• Vs. OpenCV: OpenCV è una libreria dedicata all'elaborazione tradizionale delle immagini (ridimensionamento, filtraggio, conversione del colore) piuttosto che al deep learning. In un tipico flusso di lavoro tipico, gli sviluppatori utilizzano OpenCV per preelaborazione dei dati prima di inserire le immagini una rete neurale PyTorch per l'analisi.

Integrazione con Ultralytics

Tutti Ultralytics YOLO11 sono costruiti nativamente su PyTorch. Questo garantisce agli utenti di beneficiare della velocità del framework e dell'ampio supporto della comunità. Sia che si tratti di apprendimento per trasferimento su un set di dati personalizzato o di un modello per l'edge computing, l'architettura sottostante sfrutta i tensori e i gradienti di PyTorch .

L'imminente piattaformaUltralytics semplifica ulteriormente questa esperienza, offre un'interfaccia semplificata per l'addestramento e la gestione di questi modelli, senza la necessità di scrivere un codice codice.

L'esempio seguente mostra come caricare un modello pre-addestrato ed eseguire l'inferenza, illustrando come il framework opera sotto il cofano per gestire calcoli pesanti:

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.")