PyTorch
Khám phá PyTorch , thư viện cốt lõi cung cấp năng lượng cho Ultralytics YOLO26. Tìm hiểu về đồ thị động của nó. GPU tăng tốc và cách xây dựng các mô hình học sâu hiệu quả.
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 phát triển trong lĩnh vực học sâu. Được biết đến với tính linh hoạt và dễ sử dụng, nó cho phép người dùng xây dựng và huấn luyện các mạng nơ-ron phức tạp bằng cách sử dụng đồ thị tính toán động. Tính năng này, thường được gọi là "thực thi tức thì", cho phép mã được đánh giá ngay lập tức, giúp việc gỡ lỗi và tạo mẫu trở nên trực quan hơn đáng kể so với các framework dựa trên định nghĩa đồ thị tĩnh. Nó tích hợp liền mạch với... Python Ngôn ngữ lập trình, mang lại cảm giác như một sự mở rộng tự nhiên của các công cụ tính toán khoa học tiêu chuẩn.
Cơ chế cốt lõi và ý nghĩa
Cốt lõi của khung lý thuyết này là các tensor , là các mảng đa chiều tương tự như những tensor được tìm thấy trong tài liệu NumPy . Tuy nhiên, không giống như các mảng tiêu chuẩn, PyTorch Các tensor được thiết kế để tận dụng khả năng tăng tốc GPU do GPU cung cấp. NVIDIA CUDA Việc tăng tốc phần cứng này rất quan trọng đối với quá trình xử lý song song quy mô lớn cần thiết để huấn luyện các mô hình trí tuệ nhân tạo (AI) hiện đại một cách hiệu quả.
Thư viện này hỗ trợ một hệ sinh thái rộng lớn các công cụ cho thị giác máy tính (CV) và xử lý ngôn ngữ tự nhiên. Bằng cách cung cấp một tập hợp phong phú các lớp, bộ tối ưu hóa và hàm mất mát được xây dựng sẵn, nó đơn giản hóa quá trình tạo thuật toán cho các tác vụ như phân loại hình ảnh và mô hình hóa chuỗi.
Các Ứng dụng Thực tế
Tính linh hoạt của khung công nghệ này đã dẫn đến việc nó được áp dụng rộng rãi trong nhiều ngành công nghiệp khác nhau để tạo ra các giải pháp AI có tác động lớn:
-
Xe tự lái : Các nhà lãnh đạo ngành tận dụng PyTorch Xây dựng các mô hình học sâu xử lý nguồn cấp dữ liệu video từ camera ô tô. Các mô hình này thực hiện phát hiện đối tượng theo thời gian thực để xác định làn đường, biển báo và người đi bộ, giúp việc điều hướng an toàn hơn.
-
Chẩn đoán y tế: Các nhà nghiên cứu sử dụng khung phần mềm này để phát triển các ứng dụng chăm sóc sức khỏe tiên tiến. Ví dụ, nó cung cấp năng lượng cho các hệ thống phân tích ảnh chụp MRI hoặc X-quang để hỗ trợ bác sĩ phát hiện khối u thông qua phân đoạn hình ảnh chính xác.
So sánh với các công cụ liên quan
Để hiểu rõ hơn vai trò của nó, việc phân biệt là rất hữu ích. PyTorch từ các công cụ phổ biến khác trong hệ sinh thái AI:
-
So với TensorFlow : Được phát triển bởi Google , TensorFlow Trước đây, chúng dựa vào các đồ thị tính toán tĩnh, điều này khiến việc gỡ lỗi khó khăn hơn nhưng lại tối ưu hóa việc triển khai. Mặc dù cả hai framework đều đã hội tụ về các tính năng, PyTorch Nó thường được ưa chuộng để tạo mẫu nhanh và nghiên cứu nhờ giao diện trực quan.
-
So với OpenCV : OpenCV Đây là một thư viện tập trung vào các chức năng xử lý ảnh truyền thống (như thay đổi kích thước, lọc và chuyển đổi màu sắc) thay vì huấn luyện mạng nơ-ron. Trong quy trình làm việc điển hình, các nhà phát triển sử dụng OpenCV để xử lý sơ bộ dữ liệu trước khi đưa hình ảnh vào... PyTorch mô hình để phân tích.
Tích hợp với Ultralytics
Toàn bộ Ultralytics Dòng sản phẩm này, bao gồm cả YOLO26 tiên tiến và YOLO11 được sử dụng rộng rãi, được xây dựng nguyên bản trên nền tảng này. PyTorch Nền tảng này đảm bảo người dùng được hưởng lợi từ tốc độ, tính ổn định và sự hỗ trợ cộng đồng rộng lớn của framework. Cho dù thực hiện học chuyển giao trên dữ liệu huấn luyện tùy chỉnh hay xuất mô hình cho các thiết bị biên, kiến trúc cơ bản đều dựa trên... PyTorch Tensor và đạo hàm.
Nền tảng Ultralytics sắp ra mắt sẽ đơn giản hóa hơn nữa trải nghiệm này, cung cấp giao diện thống nhất để quản lý việc thu thập dữ liệu, huấn luyện và triển khai mà không cần phải viết nhiều mã lặp đi lặp lại.
Ví dụ sau đây minh họa cách xác minh GPU khả dụng và chạy suy luận bằng cách sử dụng YOLO mô hình này minh họa cách khung phần mềm xử lý việc tăng tốc phần cứng bên trong:
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)
.webp)