وحدة معالجة الرسومات (GPU )

وحدة معالجة الرسومات (GPU) هي دائرة إلكترونية متخصصة مصممة في الأصل لتسريع معالجة وإنشاء الصور في مخزن الإطارات المؤقت لإخراج العرض. على الرغم من أن جذورها تكمن في عرض رسومات الكمبيوتر للألعاب والتصور الاحترافي ، فقد تطورت وحدات معالجة الرسومات لتصبح المحرك الأساسي للذكاء الاصطناعي الحديث (AI). على عكس المعالج القياسي الذي يستخدم عددًا قليلاً من النوى القوية لمعالجة المهام بالتسلسل، تتكون GPU من آلاف النوى الأصغر حجمًا والأكثر كفاءة والمصممة لمعالجة مهام متعددة في وقت واحد. هذه القدرة، المعروفة باسم الحوسبة المتوازية، تجعلها فعالة بشكل استثنائي لعمليات المصفوفات والمتجهات الضخمة التي تدعم التعلم العميق (DL) والشبكات العصبية المعقدة (NN).

تسريع أحمال عمل الذكاء الاصطناعي

السبب الرئيسي الذي يجعل وحدات معالجة الرسومات (GPU) لا غنى عنها في التعلم الآلي (ML) هو قدرتها على إجراء عمليات ضرب المصفوفات بسرعة عالية. أطر التعلم العميق مثل PyTorch و TensorFlow مُحسّنة خصيصًا للاستفادة من تسريع الأجهزة. وينتج عن ذلك تقليل وقت تدريب النموذج بشكل كبير، حيث غالبًا ما يحول ما قد يستغرق أسابيع من الحساب على معالج قياسي إلى ساعات على GPU. عادةً ما يتم قياس الإنتاجية الحسابية لهذه الأجهزة بالفلوبس (عمليات النقطة العائمة في الثانية)، وهو مقياس مهم لقياس قدرة الأجهزة على التعامل مع المتطلبات الصارمة للنماذج الحديثة مثل YOLO26.

فروق الأجهزة: GPU مقابل CPU مقابل TPU CPU مقابل TPU

لفهم مشهد الأجهزة، من المفيد التمييز GPU وحدة GPU ووحدات المعالجة الأخرى:

• وحدة المعالجة المركزيةCPU ): "دماغ" الكمبيوتر للأغراض العامة. تتميز وحدات المعالجة المركزية (CPU) بتميزها في المعالجة التسلسلية والتفرع المنطقي المعقد ، ولكنها أقل كفاءة في التوازي الهائل الذي يتطلبه تدريب الذكاء الاصطناعي على نطاق واسع.
• وحدة معالجة الرسوماتGPU ): المعيار الصناعي للتدريب والاستدلال. الشركات المصنعة الرائدة مثل NVIDIA تستخدم أنظمة برمجية مثل CUDA CUDA لتمكين المطورين من برمجة GPU لأغراض الحوسبة العامة.
• TPU وحدةTensor ): دائرة متكاملة مخصصة للتطبيقات (ASIC) تم تطويرها خصيصًا لتعلم الآلة في الشبكات العصبية. على الرغم من كفاءتها العالية في tensor المحددة، إلا أنها أقل تنوعًا من وحدات معالجة الرسومات (GPU) في المهام الحاسوبية الأوسع نطاقًا.

تطبيقات واقعية

أدى استخدام وحدات معالجة الرسومات عالية الأداء إلى إحداث ثورة في الابتكارات في مختلف الصناعات:

• المركبات ذاتية القيادة: يجب أن تعالج السيارات ذاتية القيادة غيغابايت من البيانات من الكاميرات والرادار وأجهزة استشعار LiDAR كل ثانية. تتيح وحدات معالجة الرسومات الاستدلال في الوقت الفعلي، مما يسمح للكمبيوتر الموجود على متن السيارة بتشغيل نماذج الكشف عن الأجسام التي تحدد المشاة وإشارات المرور والعوائق على الفور.
• تحليل الصور الطبية: في مجال الرعاية الصحية، تعمل وحدات معالجة الرسومات على تسريع معالجة الفحوصات عالية الدقة مثل التصوير بالرنين المغناطيسي والتصوير المقطعي المحوسب. وهي تتيح خوارزميات متطورة لتقسيم الصور من أجل تحديد الأورام أو الأعضاء بدقة، مما يساعد أطباء الأشعة على إجراء تشخيصات أسرع وأكثر دقة دون الاعتماد فقط على الفحص اليدوي.

التدريب باستخدام وحدات معالجة الرسومات

عند استخدام ultralytics الحزمة، GPU استخدام وحدة GPU بسيط وموصى به بشدة من أجل كفاءة سير العمل. تدعم المكتبة الكشف التلقائي عن الأجهزة، ولكن يمكن للمستخدمين أيضًا تحديد الجهاز بشكل صريح .

يوضح المثال التالي كيفية تدريب نموذج YOLO26 على أول GPU متاحة:

from ultralytics import YOLO

# Load the YOLO26n model
model = YOLO("yolo26n.pt")

# Train the model on the first available GPU (device=0)
# This significantly accelerates training compared to CPU usage
results = model.train(data="coco8.yaml", epochs=5, imgsz=640, device=0)

النشر والتحسين

بالإضافة إلى التدريب، تلعب وحدات معالجة الرسومات (GPU) دورًا مهمًا في نشر النماذج. لتحقيق أقصى قدر من الكفاءة أثناء الاستدلال، غالبًا ما يتم تحويل النماذج إلى تنسيقات محسّنة مثل TensorRT، والتي تعيد هيكلة الشبكة العصبية لتتوافق تمامًا مع GPU المحددة، مما يقلل من زمن الاستجابة. بالنسبة للمطورين الذين لا يملكون إمكانية الوصول إلى أجهزة محلية متطورة ، توفر Ultralytics حلولًا قائمة على السحابة لإدارة مجموعات البيانات وتدريب النماذج على GPU قوية عن بُعد. تعزز هذه الإمكانية الوصول إلى الابتكار في Edge AI، مما يسمح بتنفيذ مهام مهام الرؤية الحاسوبية (CV) المعقدة على أجهزة أصغر حجمًا وأكثر كفاءة في استهلاك الطاقة في هذا المجال.