استكشف PyTorch المكتبة الأساسية التي تدعم Ultralytics . تعرف على الرسوم البيانية الديناميكية، GPU وكيفية إنشاء نماذج تعلم عميق فعالة.
PyTorch مكتبة تعلم آلي مفتوحة المصدر تم تطويرها بشكل أساسي بواسطة Meta AI وأصبحت حجر الزاوية للباحثين والمطورين في مجال التعلم العميق. تشتهر بمرونتها وسهولة استخدامها، وتتيح للمستخدمين إنشاء وتدريب شبكات عصبية معقدة باستخدام رسم بياني حسابي ديناميكي . تتيح هذه الميزة، التي يشار إليها غالبًا باسم "التنفيذ المتحمس"، تقييم الكود على الفور، مما يجعل تصحيح الأخطاء وتصميم النماذج الأولية أكثر سهولة مقارنةً بالأطر التي تعتمد على تعريفات الرسوم البيانية الثابتة. تتكامل هذه المكتبة بسلاسة مع لغة Python ، مما يجعلها تبدو وكأنها امتداد طبيعي لأدوات الحوسبة العلمية القياسية.
في قلب هذا الإطار توجد الموترات، وهي مصفوفات متعددة الأبعاد مشابهة لتلك الموجودة في NumPy . ومع ذلك، على عكس المصفوفات القياسية ، تم تصميم PyTorch للاستفادة من GPU الذي توفره NVIDIA CUDA. هذا التسريع في الأجهزة أمر بالغ الأهمية للمعالجة المتوازية الضخمة المطلوبة لتدريب نماذج الذكاء الاصطناعي (AI) الحديثة بكفاءة .
تدعم المكتبة نظامًا بيئيًا واسعًا من الأدوات الخاصة بالرؤية الحاسوبية (CV) ومعالجة اللغة الطبيعية . من خلال توفير مجموعة غنية من الطبقات المعدة مسبقًا والمحسّنات ووظائف الخسارة، فإنها تبسط عملية إنشاء الخوارزميات لمهام مثل تصنيف الصور ونمذجة التسلسل.
أدى تنوع هذا الإطار إلى اعتماده في مختلف الصناعات لحلول الذكاء الاصطناعي عالية التأثير:
لفهم دوره بشكل أفضل، من المفيد التمييز PyTorch والأدوات الشائعة الأخرى في مجموعة أدوات الذكاء الاصطناعي:
مجموعة Ultralytics بالكامل، بما في ذلك YOLO26 المتطورة و YOLO11، مبني أصلاً على PyTorch. يضمن هذا الأساس استفادة المستخدمين من سرعة الإطار واستقراره ودعم المجتمع الواسع النطاق. سواء كان ذلك عند إجراء التعلم النقلي على بيانات تدريب مخصصة أو تصدير نماذج لأجهزة الحافة، فإن البنية الأساسية تعتمد على PyTorch وتدرجات PyTorch .
تعمل Ultralytics القادمة على تبسيط هذه التجربة بشكل أكبر، حيث توفر واجهة موحدة لإدارة مصادر البيانات والتدريب والنشر دون الحاجة إلى كتابة كود نمطي مكثف.
يوضح المثال التالي كيفية التحقق من GPU وتشغيل الاستدلال باستخدام YOLO مع عرض كيفية تعامل إطار العمل مع تسريع الأجهزة في الخلفية:
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)