PyTorch

PyTorch , önde gelen bir açık kaynak makine öğrenimi (ML) ve kolaylaştıran derin öğrenme (DL) çerçevesi akıllı sistemlerin geliştirilmesi. Başlangıçta Meta AI'daki araştırmacılar tarafından geliştirilmiştir, artık bağımsız PyTorch Vakfı tarafından yönetilmekte ve tarafsız ve topluluk odaklı büyüme. Esnekliği ve "Pythonic" tasarımı ile tanınan bu sistem geliştiricilerin karmaşık kodlu sinir ağı (NN) mimarileri Python ekosistemi içinde doğal ve sezgisel bir his veriyor.

Çerçeve, özünde tensörler üzerinde çalışır. 'de bulunanlara benzer çok boyutlu dizilerdir. NumPy kütüphane. Ancak, Standart dizilerden farklı olarak, bu veri yapıları bir GPU önemli ölçüde hızlandırmak için hesaplama hızı. Bu özellik, eğitim sırasında gereken devasa paralel işlemlerin gerçekleştirilmesi için çok önemlidir gibi görevler için modern yapay zeka modelleri bilgisayarla görme (CV) ve doğal dil Anlayış.

Temel Özellikler ve Avantajlar

PyTorch , geliştiriciye öncelik veren belirli bir dizi tasarım seçeneğiyle kendisini diğer çerçevelerden ayırır üretkenlik ve hata ayıklama kolaylığı:

• Dinamik Hesaplama Grafikleri: Tarihsel olarak statik grafikler kullanan çerçevelerin aksine (grafiklerin tanımlanması çalıştırmadan önce ağ), PyTorch "çalıştırarak tanımla" felsefesini kullanır. Bu, geliştiricilerin grafiği anında çizerek hata ayıklamayı ve değişken uzunluktaki girdileri işlemeyi kolaylaştırır, bu da özellikle doğal dil işleme (NLP).
• Otomatik Farklılaştırma: Çerçeve, aşağıdaki gibi bir modül içerir autograd o için gerekli olan matematiksel türevler olan gradyanları otomatik olarak hesaplar. geri yayılım (backpropagation). Bu basitleştirir uygulanması optimizasyon algoritmaları eğitim sırasında.
• Sağlam Ekosistem: gibi alana özgü kütüphaneler tarafından desteklenmektedir. Görüntü görevleri için TorchVision şunları sağlar önceden eğitilmiş modeller ve veri kümeleri ve TorchAudio için ses işleme.
• Sorunsuz Dağıtım: Gibi araçlarla TorchScript, modeller bir araştırmadan geçiş yapılabilir ortamından ağır bağımlılıklar olmadan üretim dağıtımına, verimli model porsiyon.

Gerçek Dünya Uygulamaları

Bu çerçevenin esnekliği, yüksek etkili uygulamalar için çeşitli sektörlerde yaygın olarak benimsenmesine yol açmıştır. uygulamalar:

1. Otonom Sürüş: Tesla gibi şirketler otonom sürüş için derin Araç kameralarından gelen video akışlarını işlemek için PyTorch üzerine inşa edilmiş öğrenme modelleri. Bu modeller gerçek zamanlı şeritleri, yayaları tanımlamak için nesne algılama, ve diğer araçların Otonom araçların güvenli bir şekilde seyretmesi.
2. Sağlık Teşhisi: Bu alanda tıbbi görüntü analizi, araştırmacılar X-ışınları ve MRI taramalarındaki anormallikleri detect eden modelleri eğitmek için çerçeve. Örneğin, NVIDIA Clara, radyologlara şu konularda yardımcı olmak için bu yeteneklerden yararlanır kullanarak tümörleri daha yüksek doğrulukla tanımlamak görüntü segmentasyonu.

PyTorch ve Diğer Araçlar

PyTorch 'un geliştirici araç setinde nereye oturduğunu anlamak için onu ilgili teknolojilerden ayırmak faydalı olacaktır:

• Vs. TensorFlow: Her ikisi de Kapsamlı derin öğrenme çerçeveleri olan TensorFlow ( Google tarafından geliştirilmiştir) tarihsel olarak statik grafikler ve dağıtım ağırlıklı iş akışları. PyTorch , dinamik yapısı nedeniyle araştırma ve hızlı prototipleme çalışmalarında sıklıkla tercih edilir ve kullanım kolaylığı, ancak her ikisi de zaman içinde özelliklerde yakınsamıştır.
• Vs. OpenCV: OpenCV , özel bir kütüphanedir derin öğrenmeden ziyade geleneksel görüntü işleme (yeniden boyutlandırma, filtreleme, renk dönüştürme). Tipik bir iş akışı için geliştiriciler OpenCV 'yi kullanır görüntüleri beslemeden önce veri ön işleme analiz için bir PyTorch sinir ağı.

Ultralytics ile Entegrasyon

Tümü Ultralytics YOLO11 modelleri PyTorch üzerinde yerel olarak oluşturulmuştur. Bu, kullanıcıların çerçevenin hızından ve kapsamlı topluluk desteğinden yararlanmasını sağlar. İster faaliyette bulunsun özel bir veri kümesi üzerinde transfer öğrenimi veya uç hesaplama için bir model dağıtırken, temel mimari PyTorch tensörlerinden ve gradyanlarından yararlanır.

Yakında çıkacak olan Ultralytics Platformu bu deneyimi daha da basitleştiriyor, Bu modelleri kapsamlı bir şablon yazmaya gerek kalmadan eğitmek ve yönetmek için kolaylaştırılmış bir arayüz sunmak Kod.

Aşağıdaki örnekte önceden eğitilmiş bir modelin nasıl yükleneceği ve çıkarımın nasıl çalıştırılacağı gösterilmektedir. ağır hesaplamaların üstesinden gelmek için kaputun altında çalışır:

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.")