PyTorch

Ultralytics YOLO26'yı destekleyen temel kütüphane olan PyTorch'u keşfet. Dinamik grafiklerini, GPU hızlandırmasını ve nasıl verimli derin öğrenme modelleri oluşturacağını öğren.

PyTorch, temel olarak Meta AI tarafından geliştirilen ve derin öğrenme alanındaki araştırmacılar ve geliştiriciler için bir mihenk taşı haline gelen açık kaynaklı bir makine öğrenimi kütüphanesidir. Esnekliği ve kullanım kolaylığı ile tanınan bu kütüphane, dinamik bir hesaplama grafiği kullanarak karmaşık sinir ağları oluşturmana ve eğitmene olanak tanır. Genellikle "anında yürütme" (eager execution) olarak adlandırılan bu özellik, kodun hemen değerlendirilmesini sağlar ve statik grafik tanımlarına dayanan çerçevelere kıyasla hata ayıklamayı ve prototiplemeyi çok daha sezgisel hale getirir. Python programlama diliyle sorunsuz bir şekilde entegre olur ve standart bilimsel hesaplama araçlarının doğal bir uzantısı gibi hissettirir.

Link to this sectionTemel Mekanikler ve Önem#

Bu çerçevenin kalbinde, NumPy dokümantasyonunda bulunanlara benzer çok boyutlu diziler olan tensors yer alır. Ancak standart dizilerin aksine, PyTorch tensörleri, NVIDIA CUDA tarafından sağlanan GPU hızlandırmadan yararlanacak şekilde tasarlanmıştır. Bu donanım hızlandırması, modern yapay zeka (AI) modellerini verimli bir şekilde eğitmek için gereken devasa paralel işleme için kritiktir.

Kütüphane, bilgisayarlı görü (CV) ve doğal dil işleme için geniş bir araç ekosistemini destekler. Hazır katmanlar, optimize ediciler ve kayıp fonksiyonlarından oluşan zengin bir set sağlayarak, görüntü sınıflandırma ve dizi modelleme gibi görevler için algoritmalar oluşturma sürecini basitleştirir.

Link to this sectionGerçek Dünya Uygulamaları#

Bu çerçevenin çok yönlülüğü, yüksek etkili AI çözümleri için çeşitli endüstrilerde benimsenmesini sağlamıştır:

Otonom Araçlar: Endüstri liderleri, araba kameralarından gelen video akışlarını işleyen derin öğrenme modelleri oluşturmak için PyTorch'tan yararlanır. Bu modeller, şeritleri, işaretleri ve yayaları tanımlamak için gerçek zamanlı nesne tespiti gerçekleştirerek daha güvenli bir sürüş sağlar.
Tıbbi Teşhis: Araştırmacılar, gelişmiş sağlık uygulamaları geliştirmek için bu çerçeveyi kullanırlar. Örneğin, doktorların hassas görüntü segmentasyonu yoluyla tümörleri tespit etmelerine yardımcı olmak için MRI taramalarını veya röntgenleri analiz eden sistemlere güç sağlar.

Link to this sectionİlgili Araçlarla Karşılaştırma#

Rolünü daha iyi anlamak için PyTorch'u AI yığınındaki diğer yaygın araçlardan ayırmak faydalıdır:

TensorFlow ile karşılaştırma: Google tarafından geliştirilen TensorFlow, tarihsel olarak statik hesaplama grafiklerine dayanıyordu, bu da hata ayıklamayı zorlaştırıyor ancak dağıtımı optimize ediyordu. Her iki çerçeve de özellikler açısından yakınlaşmış olsa da, sezgisel arayüzü nedeniyle hızlı prototipleme ve araştırma için genellikle PyTorch tercih edilir.
OpenCV ile karşılaştırma: OpenCV, sinir ağlarını eğitmek yerine geleneksel görüntü işleme fonksiyonlarına (yeniden boyutlandırma, filtreleme ve renk dönüştürme gibi) odaklanan bir kütüphanedir. Tipik bir iş akışında geliştiriciler, görüntüleri analiz için bir PyTorch modeline beslemeden önce veri ön işleme amacıyla OpenCV kullanırlar.

Link to this sectionUltralytics ile Entegrasyon#

The entire Ultralytics model family, including the cutting-edge YOLO26 and the widely used YOLO11, is built natively on PyTorch. This foundation ensures that users benefit from the framework's speed, stability, and extensive community support. Whether performing transfer learning on custom training data or exporting models for edge devices, the underlying architecture relies on PyTorch tensors and gradients.

Gelecek olan Ultralytics Platform, veri kümesi tedariki, eğitim ve dağıtımı yönetmek için kapsamlı bir kod yazmaya gerek kalmadan birleşik bir arayüz sağlayarak bu deneyimi daha da basitleştiriyor.

Aşağıdaki örnek, GPU kullanılabilirliğini nasıl doğrulayacağını ve bir YOLO modeli kullanarak çıkarım yapacağını göstererek, çerçevenin donanım hızlandırmayı arka planda nasıl yönettiğini sergiliyor:

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)