PyTorch

PyTorch 최고의 오픈소스 머신 러닝(ML) 및 딥 러닝(DL) 프레임워크입니다. 지능형 시스템 개발을 용이하게 합니다. 원래 Meta AI의 연구원들이 개발했습니다, 이제는 독립적인 PyTorch 재단에서 관리하고 있습니다. 중립적이고 커뮤니티 주도의 성장을 보장합니다. 유연성과 "파이토닉" 디자인으로 유명한 이 플랫폼은 다음과 같은 기능을 제공합니다. 개발자가 복잡한 복잡한 신경망(NN) 아키텍처를 구축할 수 있습니다. Python 생태계 내에서 자연스럽고 직관적으로 느껴지는 코드로 복잡한 신경망 아키텍처를 구축할 수 있습니다.

이 프레임워크의 핵심은 텐서에서 작동합니다. 에서 볼 수 있는 것과 유사한 다차원 배열인 NumPy 라이브러리와 유사한 다차원 배열입니다. 하지만 표준 배열과 달리 이러한 데이터 구조는 GPU 에서 처리할 수 있어 계산 속도를 크게 높일 수 있습니다. 이 기능은 다음과 같은 작업을 위한 최신 AI 모델을 학습할 때 필요한 대규모 병렬 처리를 처리하는 데 필수적입니다. 다음과 같은 작업을 위한 최신 AI 모델 컴퓨터 비전(CV) 및 자연어 이해.

주요 기능 및 장점

PyTorch 개발자를 우선시하는 특정 설계 선택을 통해 다른 프레임워크와 차별화됩니다. 생산성 및 디버깅 용이성을 우선시하는 특정 설계 선택을 통해 다른 프레임워크와 차별화됩니다:

• 동적 계산 그래프: 과거에 정적 그래프를 사용했던 프레임워크와 달리(네트워크를 실행하기 전에 네트워크를 실행하기 전에 정의)를 사용했던 프레임워크와 달리 PyTorch "실행별 정의" 철학을 채택하고 있습니다. 이를 통해 개발자는 그래프를 즉시 수정할 수 있습니다. 그래프를 즉시 수정할 수 있어 가변 길이 입력을 더 쉽게 디버그하고 처리할 수 있으며, 이는 특히 다음과 같은 분야에서 유용합니다. 자연어 처리(NLP).
• 자동 차별화: 프레임워크에는 다음과 같은 모듈이 포함되어 있습니다. autograd 그 에 필요한 수학적 파생 상품인 그라데이션을 자동으로 계산합니다. 역전파. 이렇게 하면 구현을 단순화합니다. 최적화 알고리즘 교육 중입니다.
• 강력한 에코시스템: 다음과 같은 도메인별 라이브러리에서 지원됩니다. 이미지 작업을 위한 TorchVision, 사전 학습된 모델과 데이터세트를 제공하는 사전 학습된 모델과 데이터 세트를 제공하는 이미지 작업용 TorchVision, 사운드 처리를 위한 사운드 처리.
• 원활한 배포: 다음과 같은 도구 사용 TorchScript와 같은 도구를 사용하면 모델을 연구 환경에서 프로덕션 배포로 전환할 수 있어 효율적인 모델 제공을 지원합니다.

실제 애플리케이션

이 프레임워크의 유연성 덕분에 다양한 산업 분야에서 영향력이 큰 애플리케이션에 널리 채택되었습니다. 애플리케이션에 널리 채택되었습니다:

1. 자율 주행: Tesla와 같은 회사는 차량 카메라의 비디오 피드를 처리하기 위해 딥 러닝 모델을 활용하여 차량 카메라의 비디오 피드를 처리합니다. 이러한 모델은 실시간 물체 감지를 수행하여 차선, 보행자, 다른 차량을 식별합니다, 차선, 보행자 및 기타 차량을 식별하여 자율 주행 차량이 안전하게 주행할 수 있도록 합니다.
2. 의료 진단: 의료 영상 분석 분야에서 의료 이미지 분석 분야에서 연구자들은 프레임워크를 사용하여 엑스레이와 MRI 스캔에서 이상 징후를 detect 모델을 훈련합니다. 예를 들어, NVIDIA 클라라는 이러한 기능을 활용하여 방사선 전문의가 다음을 수행할 수 있도록 지원합니다. 더 높은 정확도로 종양을 식별하는 데 이미지 세분화.

PyTorch 다른 도구 비교

개발자 툴킷에서 PyTorch 위치를 이해하려면 관련 기술과 구분하는 것이 도움이 됩니다:

• 대 TensorFlow: 둘 다 포괄적인 딥 러닝 프레임워크이지만, ( Google 개발한) TensorFlow 역사적으로 정적 그래프와 배포가 많은 워크플로우로 알려져 있습니다. PyTorch 동적인 특성과 사용 편의성으로 인해 연구 및 신속한 프로토타이핑에 선호되는 경우가 많습니다. 사용 편의성 때문에 연구 및 신속한 프로토타이핑에 선호되는 경우가 많지만, 시간이 지남에 따라 두 가지 기능이 통합되었습니다.
• Vs. OpenCV: OpenCV 딥 러닝이 아닌 전통적인 이미지 처리(크기 조정, 색상 변환) 전용 딥러닝이 아닌 전통적인 이미지 처리(크기 조정, 필터링, 색상 변환) 전용 라이브러리입니다. 일반적인 워크플로에서 개발자는 OpenCV 다음과 같은 용도로 사용합니다. 이미지를 파이토치 신경망에 입력하기 전 데이터 전처리 분석을 위해 이미지를 입력합니다.

Ultralytics 통합

모두 Ultralytics YOLO11 모델은 기본적으로 PyTorch 기반으로 구축됩니다. 따라서 사용자는 프레임워크의 속도와 광범위한 커뮤니티 지원의 이점을 누릴 수 있습니다. 사용자 정의 데이터 세트에 대한 사용자 정의 데이터 세트에 대한 전이 학습 또는 엣지 컴퓨팅을 위한 모델을 배포하든, 기본 아키텍처는 PyTorch 텐서 및 그라데이션을 활용합니다.

곧 출시될 Ultralytics 플랫폼은 이러한 경험을 더욱 간소화합니다, 광범위한 상용구 코드를 작성할 필요 없이 이러한 모델을 교육하고 관리할 수 있는 간소화된 인터페이스를 제공합니다. 코드를 작성할 필요 없이 인터페이스를 제공합니다.

다음 예시는 사전 학습된 모델을 로드하고 추론을 실행하는 방법을 보여 주며, 프레임워크가 내부에서 어떻게 작동하는지 보여줍니다. 이 무거운 계산을 처리하기 위해 내부에서 어떻게 작동하는지 보여줍니다:

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.")