几何深度学习（GDL）

几何深度学习（GDL）是深度学习领域中的一个前沿分支， 它将传统神经网络的能力扩展到处理 具有非欧几里得几何结构的数据。 虽然标准的 卷积神经网络 针对网格状表示（如二维图像）进行了高度优化，但GDL提供了分析 图、三维网格和连续流形等复杂、不规则数据结构所需的数学框架。

人们常将几何深度学习与 图神经网络（GNNs）混为一谈。虽然这两个 术语密切相关，但它们并非完全相同。几何深度学习（GDL）是一个基于 关系归纳偏置的总体理论框架，而图神经网络（GNNs）则代表了一类 专门针对图论结构进行操作的 特定架构子集。

实际应用

通过让模型能够直接理解关系和形状，GDL推动了现代人工智能领域中一些最为关键的突破。

• 医疗健康领域的AI：GDL正在从根本上 改变药物研发。像Google AlphaFold这样的开创性模型利用几何原理 进行分子动力学模拟，并实现高度精确的 蛋白质折叠预测，将分子 表示为复杂的关系图。
• 自动驾驶车辆：自动驾驶汽车在 导航时高度依赖点云处理和 3D物体检测技术。GDL 能够帮助系统解析激光雷达传感器捕获的原始 3D 空间数据，从而实现安全 决策。

将视觉人工智能与几何模型相结合

在应用计算机视觉领域，提取空间 感知能力通常需要将二维视觉感知与 几何网络的时空推理 相结合。开发人员常使用 PyTorch 等工具来构建此类系统。您可以 利用Ultralytics 模型快速 识别视觉元素，并将这些元素的空间坐标作为更大几何图中的基础节点。

以下Python 演示了如何提取标准的 物体检测输出，并将其格式化为 tensor ，以便用于几何处理 管道：

import torch
from ultralytics import YOLO

# Load an Ultralytics YOLO26 nano model
model = YOLO("yolo26n.pt")

# Run inference to extract bounding box coordinates
results = model("https://ultralytics.com/images/bus.jpg")
boxes = results[0].boxes.xywh[:, :2].cpu()  # Extract x, y centers

# Format coordinates as feature nodes for a geometric graph
node_features = torch.tensor(boxes.numpy(), dtype=torch.float)
print(f"Extracted {node_features.shape[0]} object nodes for graph construction.")

为了有效扩展结合了视觉架构和几何数据的管道，团队可以利用 Ultralytics 来管理其 图像分割数据集。这一端到端的云解决方案简化了 从初始 数据标注到最终 模型部署的开发生命周期，使工程师能够专注于 将先进的流形学习策略 集成到稳健的生产环境中。