PyTorch
探索 PyTorch，驱动 Ultralytics YOLO26 的核心库。了解其动态图、GPU 加速，以及如何构建高效的深度学习模型。
PyTorch 是一个开源机器学习库，主要由 Meta AI 开发，如今已成为深度学习领域研究人员和开发者的重要基础工具。它以灵活性和易用性著称，允许用户使用动态计算图构建和训练复杂的神经网络。“即时执行”（eager execution）通常用于指代这一特性，它能够立即评估代码；与依赖静态图定义的框架相比，这使调试和原型开发更加直观。它与 Python 编程语言无缝集成，使用体验就像标准科学计算工具的自然延伸。
核心机制与重要性#
该框架的核心是张量，它们是多维数组，与 NumPy 文档中的数组类似。不过，与标准数组不同，PyTorch 张量经过专门设计，可以利用 NVIDIA CUDA 提供的 GPU 加速。这种硬件加速对于高效训练现代人工智能 (AI)模型所需的大规模并行处理至关重要。
该库支持用于计算机视觉 (CV)和自然语言处理的庞大工具生态。通过提供丰富的预构建层、优化器和损失函数，它简化了创建图像分类和序列建模等任务算法的过程。
实际应用#
该框架的多功能性推动了其在各行各业高影响力 AI 解决方案中的应用：
-
自动驾驶车辆： 行业领军企业利用 PyTorch 构建深度学习模型，处理来自车载摄像头的视频流。这些模型执行实时目标检测，识别车道、标志和行人，从而实现更安全的导航。
-
医疗诊断： 研究人员利用该框架开发先进的医疗应用。例如，它可为分析 MRI 扫描或 X 射线的系统提供支持，通过精确的图像分割帮助医生检测肿瘤。
与相关工具的比较#
为了更好地理解其作用，可以将 PyTorch 与 AI 技术栈中的其他常用工具区分开来：
- 对比 TensorFlow： TensorFlow 由 Google 开发，历史上依赖静态计算图，这使调试更加困难，但优化了部署。尽管两个框架的功能已逐渐趋同，但由于界面直观，PyTorch 往往更受快速原型开发和研究青睐。
- 对比 OpenCV： OpenCV 专注于传统图像处理功能（如调整大小、滤波和颜色转换），而不是训练神经网络。在典型工作流中，开发者会使用 OpenCV 进行数据预处理，然后将图像输入 PyTorch 模型进行分析。
与 Ultralytics 的集成#
整个 Ultralytics 模型系列，包括前沿的 YOLO26 和广泛使用的 YOLO11，都原生构建于 PyTorch 之上。这一基础确保用户能够受益于该框架的速度、稳定性和广泛的社区支持。无论是在自定义训练数据上进行迁移学习，还是为边缘设备导出模型，其底层架构都依赖 PyTorch 张量和梯度。
即将推出的 Ultralytics Platform 将进一步简化这一体验，提供统一界面来管理数据集获取、训练和部署，无需编写大量样板代码。
以下示例演示如何验证 GPU 是否可用并使用 YOLO 模型运行推理，展示该框架如何在底层处理硬件加速：
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)
