PyTorch

PyTorch là một thư viện học máy mã nguồn mở được phát triển chủ yếu bởi Meta AI, đã trở thành nền tảng cho các nhà nghiên cứu và nhà phát triển trong lĩnh vực học sâu. Được biết đến với sự linh hoạt và dễ sử dụng, nó cho phép người dùng xây dựng và huấn luyện các neural networks phức tạp bằng cách sử dụng biểu đồ tính toán động. Tính năng này, thường được gọi là "eager execution", cho phép mã được đánh giá ngay lập tức, giúp việc debugging và tạo nguyên mẫu trở nên trực quan hơn đáng kể so với các khung làm việc dựa trên định nghĩa biểu đồ tĩnh. Nó tích hợp liền mạch với ngôn ngữ lập trình Python, tạo cảm giác như một phần mở rộng tự nhiên của các công cụ tính toán khoa học tiêu chuẩn.

Link to this sectionCơ chế cốt lõi và Tầm quan trọng#

Trọng tâm của khung làm việc này là tensors, đây là các mảng đa chiều tương tự như các mảng được tìm thấy trong NumPy documentation. Tuy nhiên, không giống như các mảng tiêu chuẩn, PyTorch tensors được thiết kế để tận dụng GPU acceleration được cung cấp bởi NVIDIA CUDA. Việc tăng tốc phần cứng này rất quan trọng cho quá trình xử lý song song quy mô lớn cần thiết để huấn luyện các mô hình artificial intelligence (AI) hiện đại một cách hiệu quả.

Thư viện hỗ trợ một hệ sinh thái công cụ phong phú cho computer vision (CV) và xử lý ngôn ngữ tự nhiên. Bằng cách cung cấp một bộ sưu tập đầy đủ các lớp, trình tối ưu hóa và hàm mất mát được xây dựng sẵn, nó giúp đơn giản hóa quá trình tạo thuật toán cho các tác vụ như image classification và mô hình hóa chuỗi.

Link to this sectionCác ứng dụng trong thực tế#

Sự linh hoạt của khung làm việc này đã dẫn đến việc áp dụng rộng rãi trên nhiều ngành công nghiệp cho các giải pháp AI có tác động cao:

1. Autonomous Vehicles: Các nhà lãnh đạo ngành tận dụng PyTorch để xây dựng các mô hình học sâu xử lý luồng video từ camera trên ô tô. Những mô hình này thực hiện object detection theo thời gian thực để nhận diện làn đường, biển báo và người đi bộ, cho phép điều hướng an toàn hơn.

2. Chẩn đoán Y tế: Các nhà nghiên cứu sử dụng khung làm việc này để phát triển các ứng dụng chăm sóc sức khỏe tiên tiến. Ví dụ, nó cung cấp sức mạnh cho các hệ thống phân tích hình ảnh MRI hoặc X-quang để hỗ trợ bác sĩ phát hiện khối u thông qua image segmentation chính xác.

Link to this sectionSo sánh với các công cụ liên quan#

Để hiểu rõ hơn về vai trò của nó, việc phân biệt PyTorch với các công cụ phổ biến khác trong hệ sinh thái AI là rất hữu ích:

• So với TensorFlow: Được phát triển bởi Google, TensorFlow trong lịch sử dựa vào các biểu đồ tính toán tĩnh, khiến việc gỡ lỗi khó khăn hơn nhưng lại tối ưu hóa việc triển khai. Mặc dù cả hai khung làm việc đã hội tụ về tính năng, PyTorch thường được ưu tiên hơn cho việc tạo nguyên mẫu nhanh và nghiên cứu nhờ giao diện trực quan.
• So với OpenCV: OpenCV là một thư viện tập trung vào các chức năng xử lý hình ảnh truyền thống (như thay đổi kích thước, lọc và chuyển đổi màu sắc) thay vì huấn luyện các neural networks. Trong một quy trình làm việc điển hình, các nhà phát triển sử dụng OpenCV cho data preprocessing trước khi đưa hình ảnh vào mô hình PyTorch để phân tích.

Link to this sectionTích hợp với Ultralytics#

Toàn bộ dòng mô hình Ultralytics, bao gồm YOLO26 tiên tiến và YOLO11 được sử dụng rộng rãi, đều được xây dựng nguyên bản trên PyTorch. Nền tảng này đảm bảo rằng người dùng được hưởng lợi từ tốc độ, tính ổn định và sự hỗ trợ cộng đồng rộng lớn của khung làm việc. Cho dù thực hiện transfer learning trên training data tùy chỉnh hay xuất mô hình cho các thiết bị biên, kiến trúc cơ bản vẫn dựa vào PyTorch tensors và gradients.

Ultralytics Platform sắp ra mắt sẽ giúp đơn giản hóa hơn nữa trải nghiệm này, cung cấp một giao diện thống nhất để quản lý việc tìm nguồn dữ liệu, huấn luyện và triển khai mà không cần phải viết quá nhiều mã boilerplate.

Ví dụ sau đây minh họa cách xác minh khả năng sẵn sàng của GPU và thực hiện suy luận bằng mô hình YOLO, cho thấy cách khung làm việc xử lý việc tăng tốc phần cứng ở cấp độ hệ thống:

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)