Глоссарий

PyTorch

Открой для себя PyTorch, гибкий, Python-первый фреймворк машинного обучения, на котором основаны такие AI-инновации, как Ultralytics YOLO . Создавай умнее и быстрее уже сегодня!

Обучай модели YOLO просто
с помощью Ultralytics HUB.

Узнай больше

PyTorch - это выдающийся фреймворк машинного обучения с открытым исходным кодом, разработанный в основном компанией Meta AI. Известный своей гибкостью и подходом, основанным Python, он предоставляет исследователям и разработчикам интуитивно понятную платформу для построения, обучения и развертывания моделей глубокого обучения (ГОО). Его бесшовная интеграция с обширной экосистемой науки о данных Python , включая такие библиотеки, как NumPy, снижает барьер для входа. PyTorch служит основой для многих продвинутых моделей, включая популярную Ultralytics YOLO для обнаружения объектов в реальном времени.

Ключевые особенности PyTorch

PyTorch выделяется благодаря нескольким основным особенностям, которые делают его предпочтительным выбором для многих в сообществе ИИ:

  • Динамические вычислительные графы: В отличие от фреймворков, которые определяют весь граф вычислений статически перед выполнением, PyTorch использует динамические графы вычислений (Define-by-Run). Это позволяет добиться большей гибкости во время разработки и отладки, особенно для моделей с переменной структурой, таких как рекуррентные нейронные сети (RNN).
  • Питонический интерфейс: Его API кажется естественным для разработчиков Python , что облегчает его изучение и интеграцию в существующие Python и рабочие процессы.
  • GPU : PyTorch обеспечивает мощную поддержку GPU с помощью CUDA, значительно ускоряя вычислительно трудоемкий процесс обучения глубоких нейронных сетей.
  • Богатая экосистема: Он может похвастаться обширной экосистемой с такими библиотеками, как TorchVision для задач компьютерного зрения (CV), TorchText для обработки естественного языка (NLP) и TorchAudio для обработки звука.
  • Развертывание производства: Такие инструменты, как TorchScript позволяют оптимизировать модели, разработанные на PyTorch , и развертывать их в средах, где Python может быть не идеален, преодолевая разрыв между гибкостью в исследованиях и производительностью на производстве. О том, как экспортировать модели в различные форматы, ты можешь узнать из документации по Ultralytics .

Применение PyTorch

Универсальность PyTorch позволяет использовать его в широком спектре приложений машинного обучения (ML):

  • Компьютерное зрение: Широко используется для таких задач, как классификация изображений, обнаружение объектов, сегментация изображений и оценка позы. Многие современные модели зрения, включая Ultralytics YOLOv8 и YOLO11построены с использованием PyTorch.
  • Обработка естественного языка: Приводит в действие такие приложения, как машинный перевод, анализ настроения, ответы на вопросы и построение больших языковых моделей(LLM) на основе таких архитектур, как Transformer.
  • Обучение с подкреплением: Используется для разработки агентов, которые обучаются через взаимодействие с окружающей средой, применяется в таких областях, как робототехника и игры.
  • Научные вычисления: Возможности tensor вычислений делают его подходящим для различных научных приложений, выходящих за рамки только ML.

Примеры из реальной жизни

  1. Автономное вождение: PyTorch используется при разработке систем восприятия для самоуправляемых автомобилей. Модели, обученные с помощью PyTorch , могут в реальном времени выполнять обнаружение объектов (идентификация пешеходов, транспортных средств, дорожных знаков) и семантическую сегментацию (понимание дорожных полос, тротуаров), что крайне важно для навигации и безопасности. Модели Ultralytics YOLO , построенные на PyTorch, часто используются в автомобильных решениях.
  2. Анализ медицинских изображений: В здравоохранении PyTorch помогает строить модели для анализа медицинских снимков (рентгеновских, компьютерных, магнитно-резонансных). Например, с его помощью можно обучать модели для обнаружения опухолей или сегментирования органов, помогая радиологам в диагностике и планировании лечения. Такие инициативы, как программа NIH Bridge2AI, часто используют подобные фреймворки.

PyTorch в экосистеме искусственного интеллекта

PyTorch является ключевым игроком наряду с другими фреймворками, такими как TensorFlow. Хотя оба предлагают мощные инструменты для глубокого обучения, они отличаются дизайном API и историческими подходами к графам вычисленийPyTorchдинамический подходPyTorch против первоначального статического подхода TensorFlow, хотя сейчасTensorFlow поддерживает динамическое выполнение). Выбор часто зависит от потребностей проекта и знакомства команды. Подробное сравнение можно найти в нашем блоге в статье Exploring Vision AI Frameworks. Также важно отличать PyTorch от таких библиотек, как OpenCV, которая фокусируется на обработке изображений и традиционных алгоритмах CV, а не предоставляет сквозной фреймворк для построения и обучения нейронных сетей(домашняя страница OpenCV).

PyTorch выгодно отличается надежной поддержкой через официальный сайтPyTorch , обширную документацию, учебники и активное сообщество разработчиков. Такие платформы, как Ultralytics HUB, упрощают процесс обучения пользовательских моделей, построенных с помощью PyTorch, управления наборами данных и их эффективного развертывания. Ты можешь быстро приступить к работе, используя руководство по быстрому запускуUltralytics .

Читать полностью