术语表

PyTorch

了解PyTorch ,这是一个灵活的、Python- first 机器学习框架,为人工智能创新提供动力,如Ultralytics YOLO 。今天就开始更智能、更快速地构建!

使用Ultralytics HUB 对YOLO 模型进行简单培训

了解更多

PyTorch 是一个著名的开源机器学习框架,主要由Meta AI 开发。它以其灵活性和Python方法而著称,为研究人员和开发人员构建、训练和部署深度学习(DL)模型提供了一个直观的平台。它与广泛的Python 数据科学生态系统(包括NumPy 等库)无缝集成,降低了入门门槛。PyTorch 是许多高级模型的基础框架,包括流行的 Ultralytics YOLO系列,用于实时对象检测

主要特点PyTorch

PyTorch 因其多项核心功能而脱颖而出,成为人工智能界许多人的首选:

  • 动态计算图与在执行前静态定义整个计算图的框架不同,PyTorch 使用动态计算图(Define-by-Run)。这使得开发和调试更加灵活,尤其是对于具有可变结构的模型,如递归神经网络(RNN)
  • Pythonic 界面:它的应用程序接口让Python 开发人员感觉很自然,易于学习并集成到现有的Python 项目和工作流程中。
  • GPU 加速 PyTorch 使用CUDA 为GPU 加速提供了强大的支持,大大加快了深度神经网络的计算密集型训练过程。
  • 丰富的生态系统:它拥有一个全面的生态系统,包括用于计算机视觉(CV)任务的 TorchVision、用于自然语言处理(NLP)的 TorchText 和用于音频处理的 TorchAudio 等库。
  • 生产部署:工具,如 TorchScript等工具可以优化Python 开发的模型,并将其部署到Python 并不理想的环境中,从而缩小研究灵活性与生产性能之间的差距。你可以在Ultralytics 文档中了解如何使用不同格式导出模型

应用PyTorch

PyTorch 的多功能性使其能够广泛应用于各种机器学习 (ML)应用:

真实案例

  1. 自动驾驶: PyTorch 用于开发自动驾驶汽车的感知系统。使用PyTorch 训练的模型可以进行实时物体检测(识别行人、车辆、交通标志)和语义分割(理解车道、人行道),这对导航和安全至关重要。基于PyTorch 建立的Ultralytics YOLO 模型经常被用于汽车解决方案中。
  2. 医学图像分析:医疗保健领域,PyTorch 可帮助建立医学扫描(X 光、CT、核磁共振成像)分析模型。例如,它可用于训练检测肿瘤或分割器官的模型,帮助放射科医生进行诊断和治疗规划。美国国立卫生研究院(NIH)的 Bridge2AI 计划等项目通常都会利用此类框架。

人工智能生态系统中的PyTorch

PyTorch 是与其他框架(如 TensorFlow.虽然两者都为深度学习提供了强大的工具,但它们在 API 设计和计算图的历史方法PyTorch 的动态方法与TensorFlow 最初的静态方法相比,尽管TensorFlow 现在支持动态执行)上存在差异。选择通常取决于项目需求和团队熟悉程度。详细比较可参见我们的博文《探索视觉人工智能框架》。同样重要的是,要将PyTorch 与OpenCV 等库区分开来,后者侧重于图像处理和传统的 CV 算法,而不是提供用于构建和训练神经网络的端到端框架(OpenCV 主页)。

PyTorch 通过其官方PyTorch 网站、广泛的文档、教程和活跃的开发者社区获得了强大的支持。Ultralytics HUB等平台简化了使用PyTorch 建立的自定义模型的培训数据集管理和高效部署过程。您可以使用Ultralytics 快速入门指南快速入门。

阅读全部