PyTorch

PyTorch 、オープンソースの主要な 機械学習（ML）と ディープラーニング（DL）フレームワークです。 インテリジェントシステムの開発を容易にする。もともとはMeta AIの研究者によって開発されました、 現在は独立したPyTorch Foundationによって管理され、中立的でコミュニティ主導の成長を保証しています。 中立的でコミュニティ主導の成長を保証しています。柔軟性と「Pythonic」デザインで有名なPyTorchは、開発者が複雑なシステムを構築することを可能にする。 開発者は複雑な ニューラルネットワーク（NN）アーキテクチャを構築することができる。 Python エコシステムの中で自然で直感的なコードで複雑なニューラルネットワークアーキテクチャを構築することができます。

このフレームワークの核心は、テンソルを操作することである。 にあるような多次元配列である。 NumPyライブラリにあるような多次元配列である。しかし 標準的な配列とは異なり、これらのデータ構造は GPUで処理することができ 計算速度を大幅に加速することができる。この機能は、以下のようなタスクのために最新のAIモデルをトレーニングする際に必要とされる大規模な並列処理を処理するために不可欠です。 この能力は、コンピュータ・ビジョン（CV）や自然言語 コンピュータ・ビジョン（CV）や自然言語理解 理解に不可欠である。

主な特徴と利点

PyTorch 、開発者の生産性とデバッグのしやすさを優先した設計の選択によって、他のフレームワークと一線を画しています。 生産性とデバッグのしやすさを優先しています：

• 動的計算グラフ：これまで静的グラフを使用してきたフレームワークとは異なり、PyTorchは "define-by-run "哲学を採用している。 ネットワークを実行する前に定義する)フレームワークとは異なり、PyTorch "define-by-run "の哲学を採用しています。これにより、開発者は デバッグが容易になり、可変長の入力を扱うことができます。 これは特に自然言語処理（NLP）に有用である。
• 自動差別化： フレームワークには autograd それは に必要な数学的微分である勾配を自動的に計算する。 バックプロパゲーション.これにより の実装が簡単になる。 最適化アルゴリズム トレーニング中
• 堅牢なエコシステム：以下のようなドメイン固有のライブラリによってサポートされています。 画像タスク用のTorchVision。 モデルやデータセットを提供する。 などのドメイン固有のライブラリによってサポートされています。
• シームレスな展開：以下のようなツールで TorchScriptのようなツールを使うことで 環境から本番環境へ移行することができます。 モデルサービングをサポートします。

実際のアプリケーション

このフレームワークの柔軟性により、様々な業界でインパクトの大きいアプリケーションに広く採用されている。 アプリケーションに広く採用されています：

1. 自律走行： テスラのような企業は PyTorch 構築されたディープラーニング・モデルは、車両カメラからのビデオフィードを処理する。これらのモデルはリアルタイムで 車線、歩行者、他の車両を識別するために、リアルタイムで物体検出を行う、 他の車両を識別し 自律走行車が安全にナビゲートできるようにする。
2. ヘルスケア診断医療画像解析の分野では 医療画像解析の分野では X線やMRIスキャンの異常をdetect するモデルを訓練するために使用される。例えば、 NVIDIA Claraは、これらの機能を活用して、放射線科医を支援しています。 より高い精度で腫瘍を特定する 画像セグメンテーション

PyTorch 他のツールの比較

PyTorch 開発者ツールキットの中でどのような位置づけにあるかを理解するためには、関連する技術と区別することが役に立つ：

• 対TensorFlow：どちらも包括的な深層学習フレームワークだが どちらも包括的なディープラーニング・フレームワークだが、TensorFlow （Google開発）は歴史的に静的なグラフと展開の多いワークフローで知られている。 展開の多いワークフローで知られている。PyTorch 、その動的な性質と使いやすさから、研究やラピッドプロトタイピングで好まれることが多い。 と使いやすさから、研究やラピッドプロトタイピングではPyTorchが好まれることが多い。
• 対OpenCV： OpenCV 、ディープラーニングではなく、従来の画像処理（リサイズ、フィルタリング、色変換）に特化したライブラリである。 ディープラーニングではなく、従来の画像処理（リサイズ、フィルタリング、色変換）に特化したライブラリだ。典型的なワークフローでは 典型的なワークフローでは、開発者はOpenCV 次のように使用する。 に画像を送り込む前のデータ前処理に使用する。 PyTorch ニューラルネットワークに画像を送り込んで分析する。

Ultralytics統合

すべて Ultralytics YOLO11モデルはPyTorch上でネイティブに構築されています。 これにより、ユーザーはこのフレームワークのスピードと幅広いコミュニティサポートの恩恵を受けることができます。カスタムデータセットで カスタムデータセットで学習する場合でも エッジコンピューティングのためにモデルを展開する場合でも、基礎となるアーキテクチャはPyTorch テンソルと勾配を活用します。

近々発表されるUltralytics Platformは、この経験をさらに簡素化します、 モデルをトレーニング・管理するための合理化されたインターフェイスを提供します。 コードを書く必要がありません。

次の例は、事前に訓練されたモデルをロードし、推論を実行する方法を示している。 重い計算を処理するためにフレームワークがどのように動作するかを示します：

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.")