CPU

وحدة المعالجة المركزية (CPU) هي المكون الأساسي للكمبيوتر الذي يعمل بمثابة "دماغه"، وهو مسؤول عن تفسير وتنفيذ التعليمات الواردة من الأجهزة والبرامج. في سياق الذكاء الاصطناعي (AI)، تلعب CPU دورًا أساسيًا في معالجة البيانات وتنسيق النظام وتنفيذ الاستدلال، لا سيما على الأجهزة المتطورة التي تعتمد بشكل كبير على كفاءة الطاقة. في حين أن الأجهزة المتخصصة مثل وحدات معالجة الرسومات (GPU) غالبًا ما ترتبط بالأعمال الشاقة لتدريب نماذج التعلم العميق، CPU لا غنى عنها في مسار التعلم الآلي (ML) بشكل عام.

دور وحدات المعالجة المركزية في سير عمل الذكاء الاصطناعي

على الرغم من أن وحدات معالجة الرسومات (GPU) تشتهر بتوازيها الهائل أثناء التدريب، CPU المحرك الأساسي للعديد من المراحل الأساسية في دورة حياة الرؤية الحاسوبية (CV). تم تحسين هندستها، التي تعتمد عادةً على تصميمات x86 (Intel AMD) أو ARM، للمعالجة التسلسلية والتحكم المنطقي المعقد .

• معالجة البيانات المسبقة: قبل أن تتمكن الشبكة العصبية من التعلم، يجب إعداد البيانات. تتميز وحدات المعالجة المركزية (CPU) في مهام مثل تحميل الملفات وتنظيف البيانات والتحويلات المعقدة باستخدام مكتبات مثل NumPy و OpenCV.
• استدلال الحافة: بالنسبة للنشر في العالم الحقيقي، لا يكون تشغيل النماذج على خوادم ضخمة ممكنًا دائمًا. تسمح وحدات المعالجة المركزية (CPU) بنشر النماذج بكفاءة على الأجهزة الاستهلاكية، مثل تشغيل Ultralytics على جهاز كمبيوتر محمول أو Raspberry Pi.
• المعالجة اللاحقة: بعد أن ينتج النموذج احتمالات أولية، CPU تتولى CPU المنطق النهائي، مثل القمع غير الأقصى (NMS) في الكشف عن الكائنات، لتصفية التنبؤات المكررة وتحسين النتائج.

CPU GPU TPU

فهم بيئة الأجهزة أمر بالغ الأهمية لتحسين عمليات التعلم الآلي (MLOps). تختلف هذه المعالجات بشكل كبير في هندستها وحالات الاستخدام المثالية.

• CPU: مصممة لتعدد الاستخدامات والمنطق المعقد. تتميز بعدة نوى قوية تعالج المهام بالتسلسل. وهي الأفضل لزيادة البيانات وإدارة خطوط الإنتاج والاستدلال منخفض التأخير على مجموعات صغيرة.
• وحدة معالجة الرسوماتGPU ): في الأصل مخصصة للرسومات، تحتوي وحدات معالجة الرسومات على آلاف النوى الأصغر حجماً المصممة للمعالجة المتوازية. وهي المعيار القياسي لتدريب النماذج لأنها يمكنها إجراء عمليات ضرب المصفوفات بسرعة أكبر بكثير من CPU.
• وحدةTensor TPU ): دائرة متخصصة (ASIC) طورتها Google خصيصًا tensor . على الرغم من كفاءتها العالية في أداء مهام معينة، إلا أنها تفتقر إلى المرونة العامة التي تتمتع بها و CPU.

تطبيقات واقعية

غالبًا ما تكون وحدات المعالجة المركزية هي الأجهزة المفضلة للتطبيقات التي تفوق فيها التكلفة والتوافر واستهلاك الطاقة الحاجة إلى إنتاجية أولية ضخمة.

1. الكاميرات الأمنية الذكية: في أنظمة الإنذار الأمني، غالبًا ما تقوم الكاميرات بمعالجة موجات الفيديو محليًا. يمكن لنموذج الكشف عن الأجسام CPU تحديد هوية شخص أو مركبة وإطلاق إنذار دون إرسال الفيديو إلى السحابة، مما يحافظ على النطاق الترددي وخصوصية المستخدم.
2. الأتمتة الصناعية: في المصانع، تستخدم أنظمة الصيانة التنبؤية وحدات المعالجة المركزية (CPU) لمراقبة بيانات أجهزة الاستشعار من الآلات. تحلل هذه الأنظمة الاهتزازات أو ارتفاعات درجة الحرارة في الوقت الفعلي للتنبؤ بالأعطال، مما يضمن سلاسة أتمتة التصنيع دون الحاجة إلى GPU باهظة الثمن.

تشغيل الاستدلال على CPU Ultralytics

غالبًا ما يختبر المطورون النماذج على وحدات المعالجة المركزية للتحقق من توافقها مع بيئات الحوسبة بدون خادم أو الأجهزة منخفضة الطاقة . تتيح لك Ultralytics استهداف CPU بسهولة، مما يضمن تشغيل تطبيقك في أي مكان.

يوضح المثال التالي كيفية تحميل نموذج خفيف الوزن وتشغيل الاستدلال على وحدة CPU على وجه التحديد:

from ultralytics import YOLO

# Load the lightweight YOLO26 nano model
# Smaller models are optimized for faster CPU execution
model = YOLO("yolo26n.pt")

# Run inference on an image, explicitly setting the device to 'cpu'
results = model.predict("https://ultralytics.com/images/bus.jpg", device="cpu")

# Print the detection results (bounding boxes)
print(results[0].boxes.xywh)

لتحسين الأداء على Intel بشكل أكبر، يمكن للمطورين تصدير نماذجهم إلى OpenVINO ، الذي يعمل على تحسين بنية الشبكة العصبية بشكل خاص لهندسة x86. لإدارة مجموعات البيانات وتنسيق عمليات النشر هذه، تعمل أدوات مثل Ultralytics على تبسيط سير العمل بدءًا من التعليق التوضيحي وحتى التنفيذ المتطور .