Glossaire

GPU (Unité de traitement graphique)

Découvre comment les GPU révolutionnent l'IA et l'apprentissage automatique en accélérant l'apprentissage profond, en optimisant les flux de travail et en permettant des applications réelles.

Entraîne les modèles YOLO simplement
avec Ultralytics HUB

En savoir plus

Une unité de traitement graphiqueGPU est un circuit électronique spécialisé conçu pour manipuler et modifier rapidement la mémoire afin d'accélérer la création d'images destinées à être restituées sur un dispositif d'affichage. Développés à l'origine pour le rendu des graphiques dans les jeux vidéo et les applications de conception professionnelle, les GPU sont devenus des composants fondamentaux dans les domaines de l'intelligence artificielle (IA) et de l'apprentissage automatique (ML). Leur architecture, qui comporte des milliers de cœurs de traitement, leur permet d'effectuer de nombreux calculs simultanément, ce qui les rend exceptionnellement efficaces pour les opérations mathématiques complexes requises par les algorithmes d'apprentissage profond et permet une inférence rapide en temps réel. Tu peux explorer l'histoire du GPU pour comprendre son évolution.

Importance dans le domaine de l'IA et de l'apprentissage automatique

La puissance de traitement parallèle des GPU a été l'un des principaux moteurs des récentes avancées dans le domaine de l'IA. La formation de réseaux neuronaux profonds implique de grandes quantités de données et des opérations de calcul intensives comme les multiplications de matrices. Les GPU excellent dans ces tâches, réduisant considérablement le temps nécessaire à la formation de modèles complexes par rapport aux unités centrales de traitement (CPU) traditionnelles. Cette accélération permet aux chercheurs et aux développeurs d'itérer plus rapidement, d'expérimenter avec des ensembles de données plus importants et de s'attaquer à des problèmes tels que la détection d'objets et la segmentation d'images avec plus de précision et de rapidité. Par exemple, les modèlesYOLO 'Ultralytics s'appuient fortement sur les GPU pour atteindre des performances élevées dans les tâches de vision en temps réel. L'accès à des GPU puissants, souvent via des plateformes de cloud computing ou du matériel dédié, est crucial pour le développement de l'IA moderne.

Principales différences entre les CPU et les TPU

Bien qu'ils travaillent souvent ensemble dans un système, les GPU, les CPU et les Tensor Processing Units (TPU) ont des architectures distinctes et des cas d'utilisation optimaux :

  • CPU (Central Processing Unit) : Conçues pour l'informatique générale, les unités centrales de traitement excellent dans les tâches séquentielles et la gestion des opérations du système. Elles possèdent quelques cœurs puissants optimisés pour une faible latence sur une grande variété de charges de travail. Voir une comparaison entre le CPU et le GPU.
  • GPU (Graphics Processing Unit) : Optimisés pour le traitement parallèle, les GPU possèdent des milliers de cœurs plus simples conçus pour traiter de nombreuses tâches simultanément. Ils sont donc idéaux pour les calculs parallèles aux données, courants dans l'apprentissage profond, le rendu graphique et l'informatique haute performance (HPC). Parmi les principaux fournisseurs, on peut citer NVIDIA et AMD.
  • TPU (Tensor Processing Unit) : Développés par Google, les TPU sont des circuits intégrés spécifiques à une application (ASIC) spécialement conçus pour accélérer les charges de travail ML, en particulier celles qui utilisent la technologie TensorFlow TensorFlow. Ils offrent des performances élevées pour des opérations tensor spécifiques, mais peuvent être moins polyvalents que les GPU. Tu trouveras plus de détails sur la page TPU deGoogle.

Les GPU offrent un équilibre entre des performances élevées pour les tâches parallèles et une large applicabilité, soutenue par des écosystèmes logiciels matures tels que NVIDIACUDA de NVIDIA et des frameworks tels que PyTorch. La mise en place d'environnements GPU peut être simplifiée à l'aide d'outils comme Docker ; voir le guide de démarrage rapide de Docker pour plus de détails.

Applications de l'IA dans le monde réel

Les GPU font partie intégrante de nombreuses applications d'IA de pointe :

  • Véhicules autonomes : Les GPU traitent en temps réel de vastes flux de données provenant de caméras, de LiDAR et de radars pour permettre la perception, la planification de la trajectoire et la prise de décision de l'IA dans les voitures autonomes. Des entreprises comme Tesla s'appuient fortement sur les GPU pour leurs systèmes autonomes.
  • Analyse d'images médicales : Dans le domaine de la santé, les GPU accélèrent l'analyse d'images médicales complexes telles que les IRM, les tomodensitogrammes et les radiographies, aidant les radiologues à détecter les anomalies, à segmenter les tissus et à améliorer la précision du diagnostic. Il s'agit d'un domaine clé pour l'analyse des images médicales, avec des plates-formes comme NVIDIA Clara qui fournissent des outils spécialisés.

Les GPU sont également cruciaux pour l'entraînement des modèles déployés sur les appareils périphériques, tels que ceux qui utilisent la plateformeNVIDIA Jetson. L'entraînement de ces modèles se fait souvent sur des GPU puissants, éventuellement en utilisant des plateformes comme Ultralytics HUB pour des flux de travail rationalisés.

Tout lire