PyTorch

Principais caraterísticas do PyTorch

A filosofia de design do PyTorch dá prioridade à experiência do utilizador e à velocidade, conduzindo a várias funcionalidades de destaque:

• Gráficos computacionais dinâmicos: Ao contrário das estruturas que exigem que um gráfico estático seja definido antecipadamente, o PyTorch usa uma abordagem "definir por execução". Esse gráfico dinâmico, também conhecido como execução ansiosa, permite mais flexibilidade e depuração mais fácil, pois os desenvolvedores podem inspecionar e alterar o gráfico durante o tempo de execução. Isso é particularmente útil para modelos com estruturas variáveis, como as Redes Neurais Recorrentes (RNNs).
• Integração Pythonic: Integra-se perfeitamente com a pilha de ciência de dados Python, tornando-a intuitiva para os programadores. É fácil começar com o guia de início rápido do Ultralytics ou com as instruções oficiais de instalação do PyTorch.
• Ecossistema rico de ferramentas: O PyTorch é suportado por um conjunto de bibliotecas específicas do domínio, como o TorchVision para visão computacional, o TorchText para PNL e o TorchAudio para processamento de áudio, que fornecem arquitecturas, conjuntos de dados e transformações populares.
• Transição perfeita para a produção: Com ferramentas como o TorchScript para criar modelos serializáveis e optimizáveis e o TorchServe para servir modelos orientados para o desempenho, o PyTorch faz a ponte entre a investigação e a produção. O Ultralytics oferece várias opções de implantação de modelos para modelos treinados no PyTorch.

Aplicações no mundo real

A flexibilidade e o poder do PyTorch levaram à sua adoção em muitas aplicações de IA de ponta:

1. Condução autónoma: O Tesla Autopilot utiliza fortemente o PyTorch para o seu pipeline de desenvolvimento. Conforme destacado nas suas apresentações do AI Day, os engenheiros da Tesla utilizam o PyTorch para construir e treinar os complexos modelos de aprendizagem profunda que realizam a deteção de objectos em tempo real e a compreensão de cenas.
2. Análise de imagens médicas: Na IA no sector da saúde, o PyTorch é utilizado para desenvolver modelos de análise de exames médicos. Por exemplo, a NVIDIA Clara é uma estrutura de aplicações de cuidados de saúde que utiliza o PyTorch para tarefas como a segmentação de imagens para delinear automaticamente tumores, ajudando os radiologistas a efetuar diagnósticos mais rápidos e precisos.

PyTorch no ecossistema de IA

O PyTorch é um ator-chave juntamente com outras estruturas como o TensorFlow. Embora ambas sejam poderosas, a escolha depende muitas vezes das necessidades do projeto. Uma comparação detalhada pode ser encontrada em nosso blog, Exploring Vision AI Frameworks. Também é importante distinguir o PyTorch de uma biblioteca de visão computacional como o OpenCV, que fornece ferramentas de processamento de imagem e vídeo, mas não é uma estrutura de aprendizado profundo de ponta a ponta.

Todos os modelos YOLO da Ultralytics, incluindo o YOLO11 de última geração, são construídos com PyTorch. Isso permite que eles aproveitem o desempenho e a flexibilidade da estrutura. Plataformas como o Ultralytics HUB simplificam todo o ciclo de vida do treinamento de modelos personalizados, gerenciando conjuntos de dados e implantando-os.

O PyTorch beneficia de um suporte robusto através do seu sítio Web oficial do PyTorch, de uma documentação extensa e de uma comunidade de programadores dinâmica. Para aqueles que procuram otimizar o seu processo de formação, os guias sobre a afinação de hiperparâmetros e as sugestões de formação de modelos são recursos valiosos. O repositório oficial do framework no GitHub é outro excelente local para suporte e contribuições da comunidade.