PyTorch
探索 PyTorch，这是驱动 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 是一个主要由 Meta AI 开发的开源机器学习库，已成为深度学习领域研究人员和开发者的基石。它以灵活性和易用性闻名，允许用户使用动态计算图构建和训练复杂的神经网络。这一通常被称为“动态执行”的特性使代码能够立即求值，与依赖静态图定义的框架相比，这使得调试和原型设计显著更加直观。它与 Python 编程语言无缝集成，感觉就像标准科学计算工具的自然延伸。
核心机制与意义#
该框架的核心是张量，它们是类似于 NumPy documentation 中多维数组的结构。然而，与标准数组不同，PyTorch 张量旨在利用由 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系统。通过提供一组丰富的预构建层、优化器和损失函数，它简化了为图像分类和序列建模等任务创建算法的过程。
实际应用#
该框架的多功能性使其被各行各业采用，用于构建高影响力的 AI 解决方案：
-
**自动驾驶汽车：**行业领袖利用 PyTorch 构建深度学习模型来处理汽车摄像头的视频画面。这些模型执行实时目标检测来识别车道、标志和行人，从而实现更安全的导航。
-
**医学诊断：**研究人员使用该框架开发先进的医疗保健应用。例如，它为分析 MRI 扫描或 X 射线的系统提供动力，以协助医生通过精确的图像分割来检测肿瘤。
与其他相关工具的比较#
为了更好地理解其角色，区分 PyTorch 与 AI 技术栈中其他常用工具会很有帮助：
- **与 TensorFlow 相比：**由谷歌开发的 TensorFlow 历史上依赖静态计算图，这使得调试更加困难，但优化了部署。虽然两个框架在功能上已经趋同，但 PyTorch 凭借其直观的界面，通常是快速原型设计和研究的首选。
- **与 OpenCV 相比：**OpenCV 是一个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的库。在典型的工作流中，开发者在将图像输入 PyTorch 模型进行分析之前，会使用 OpenCV 进行数据预处理。
与 Ultralytics 的集成#
整个 Ultralytics 模型系列，包括尖端的 YOLO26 和广泛使用的 YOLO11，都是原生基于 PyTorch 构建的。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。无论是对自定义训练数据执行迁移学习，还是导出模型用于边缘设备，底层架构都依赖于 PyTorch 张量和梯度。
即将推出的 Ultralytics Platform 进一步简化了这种体验，提供了一个统一的界面来管理数据集采购、训练和部署，而无需编写大量的样板代码。
以下示例演示了如何验证 GPU 可用性并使用 YOLO 模型运行推理，展示了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)
