Glossário

PyTorch

Descobre PyTorch, a estrutura de aprendizagem automática flexível e Python-first que potencia inovações de IA como Ultralytics YOLO . Constrói de forma mais inteligente e rápida hoje mesmo!

Treina os modelos YOLO simplesmente
com Ultralytics HUB

Aprende mais

PyTorch é uma importante estrutura de aprendizagem automática de código aberto desenvolvida principalmente pela Meta AI. Conhecida pela sua flexibilidade e abordagem Python, fornece uma plataforma intuitiva para investigadores e programadores criarem, treinarem e implementarem modelos de aprendizagem profunda (DL). A sua integração perfeita com o extenso ecossistema de ciência de dados Python , incluindo bibliotecas como a NumPy, reduz a barreira à entrada. PyTorch serve como a estrutura fundamental para muitos modelos avançados, incluindo o popular Ultralytics YOLO para deteção de objectos em tempo real.

Caraterísticas principais de PyTorch

PyTorch destaca-se devido a várias caraterísticas essenciais que o tornam a escolha preferida de muitos na comunidade de IA:

  • Gráficos de Computação Dinâmicos: Ao contrário de frameworks que definem todo o gráfico de computação estaticamente antes da execução, PyTorch usa gráficos de computação dinâmicos (Define-by-Run). Isso permite mais flexibilidade durante o desenvolvimento e a depuração, especialmente para modelos com estruturas variáveis, como Redes Neurais Recorrentes (RNNs).
  • Interface Pythonic: A sua API parece natural para os programadores Python , tornando-a fácil de aprender e integrar em projectos e fluxos de trabalho Python existentes.
  • AceleraçãoGPU : PyTorch oferece um forte suporte para aceleraçãoGPU usando CUDA, acelerando significativamente o processo computacionalmente intensivo de treinamento de redes neurais profundas.
  • Ecossistema rico: Possui um ecossistema abrangente com bibliotecas como TorchVision para tarefas de visão computacional (CV), TorchText para processamento de linguagem natural (NLP) e TorchAudio para processamento de áudio.
  • Implantação de produção: Ferramentas como TorchScript permitem que os modelos desenvolvidos no PyTorch sejam otimizados e implantados em ambientes onde Python pode não ser ideal, preenchendo a lacuna entre a flexibilidade da pesquisa e o desempenho da produção. Podes aprender a exportar modelos usando diferentes formatos na documentação Ultralytics .

Aplicações de PyTorch

A versatilidade do PyTorch permite a sua utilização num vasto espetro de aplicações de aprendizagem automática (ML):

Exemplos do mundo real

  1. Condução autónoma: PyTorch é utilizado no desenvolvimento de sistemas de perceção para carros autónomos. Os modelos treinados com PyTorch podem efetuar a deteção de objectos em tempo real (identificação de peões, veículos, sinais de trânsito) e a segmentação semântica (compreensão das faixas de rodagem, passeios), crucial para a navegação e segurança. Os modelosYOLO Ultralytics , construídos com PyTorch, são frequentemente utilizados em soluções para automóveis.
  2. Análise de imagens médicas: Na área da saúde, PyTorch ajuda a construir modelos para analisar exames médicos (raios X, TAC, RMN). Por exemplo, pode ser utilizado para treinar modelos de deteção de tumores ou de segmentação de órgãos, ajudando os radiologistas no diagnóstico e no planeamento do tratamento. Iniciativas como o programa Bridge2AI do NIH recorrem frequentemente a estas estruturas.

PyTorch no ecossistema de IA

PyTorch é uma peça fundamental, juntamente com outras estruturas como TensorFlow. Embora ambas ofereçam ferramentas poderosas para a aprendizagem profunda, diferem na conceção da API e nas abordagens históricas aos gráficos de computaçãoPyTorcha abordagem dinâmica doPyTorch vs. a abordagem estática inicial do TensorFlow, embora TensorFlow suporte agora a execução dinâmica). A escolha depende muitas vezes das necessidades do projeto e da familiaridade da equipa. Uma comparação detalhada pode ser encontrada no nosso blogue Exploring Vision AI Frameworks. Também é importante distinguir PyTorch de bibliotecas como o OpenCV, que se concentra no processamento de imagens e nos algoritmos tradicionais de CV, em vez de fornecer uma estrutura completa para criar e treinar redes neurais(página inicial do OpenCV).

PyTorch beneficia de um suporte robusto através do seu sítio Web oficial PyTorch , de uma extensa documentação, de tutoriais e de uma vibrante comunidade de programadores. Plataformas como o Ultralytics HUB simplificam o processo de treinamento de modelos personalizados criados com o PyTorch, gerenciando conjuntos de dados e implantando-os com eficiência. Podes começar rapidamente a utilizar o guia de início rápidoUltralytics .

Lê tudo