Ultralytics 핵심 라이브러리인 PyTorch 탐구해 보세요. 동적 그래프, GPU , 효율적인 딥러닝 모델 구축 방법에 대해 알아보세요.
PyTorch Meta AI가 주로 개발한 오픈소스 머신러닝 PyTorch , 딥러닝 분야의 연구자와 개발자들에게 핵심적인 역할을 하고 있습니다. 유연성과 사용 편의성으로 잘 알려진 이 라이브러리는 동적 계산 그래프를 활용해 복잡한 신경망을 구축하고 훈련할 수 있게 합니다. 이 기능은 흔히 "즉시 실행(eager execution)"이라 불리며, 코드를 즉시 평가할 수 있게 하여 정적 그래프 정의에 의존하는 프레임워크에 비해 디버깅과 프로토타이핑을 훨씬 직관적으로 만듭니다. Python 언어와 완벽하게 통합되어 표준 과학 컴퓨팅 도구의 자연스러운 확장처럼 느껴집니다.
이 프레임워크의 핵심은 텐서( tensor)로, NumPy 것과 유사한 다차원 배열입니다. 그러나 표준 배열과 달리 PyTorch CUDA 제공하는 GPU 활용하도록 설계되었습니다. 이 하드웨어 가속은 현대적인 인공지능(AI) 모델을 효율적으로 훈련하는 데 필요한 대규모 병렬 처리에 매우 중요합니다.
이 라이브러리는 컴퓨터 비전(CV) 및 자연어 처리(NLP)를 위한 방대한 도구 생태계를 지원합니다. 미리 구축된 다양한 레이어, 최적화기, 손실 함수를 제공함으로써 이미지 분류 및 시퀀스 모델링과 같은 작업에 대한 알고리즘 생성 과정을 단순화합니다.
이 프레임워크의 다용도성은 다양한 산업 분야에서 고효율 AI 솔루션으로 채택되도록 이끌었습니다:
PyTorch 역할을 더 잘 이해하기 위해서는 AI 스택 내 다른 일반적인 PyTorch 구분하는 것이 도움이 됩니다:
최첨단 YOLO26과 널리 사용되는 YOLO11을 포함한 전체 Ultralytics 제품군 YOLO11를 포함한 전체 울트라리틱스 모델 제품군은 PyTorch 기반으로 원활하게 구축됩니다. 이 기반은 사용자가 프레임워크의 속도, 안정성 및 광범위한 커뮤니티 지원을 활용할 수 있도록 보장합니다. 사용자 정의 훈련 데이터에 대한 전이 학습을 수행하거나 에지 디바이스용 모델을 내보내는 경우에도 기본 아키텍처는 PyTorch 그라디언트에 의존합니다.
곧 출시될 Ultralytics 이 경험을 더욱 간소화하여, 방대한 보일러플레이트 코드를 작성할 필요 없이 데이터셋 소싱, 훈련 및 배포를 관리할 수 있는 통합 인터페이스를 제공합니다.
다음 예제는 GPU 확인하고 YOLO 사용하여 추론을 실행하는 방법을 보여줍니다. 이는 프레임워크가 내부적으로 하드웨어 가속을 처리하는 방식을 보여줍니다:
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)