CPU

中央処理装置（CPU）は、コンピュータの主要な構成要素であり、その「頭脳」として機能し、ハードウェアおよびソフトウェアからの命令を解釈し実行する役割を担う。人工知能（AI）の文脈において、CPU データ処理、システム調整、推論実行において基礎的な役割を担い、特に電力効率が重要なエッジデバイス上でその重要性が増す。GPUのような専用ハードウェアが深層学習モデルのトレーニングという重労働を担うことが多い一方で、CPU 機械学習（ML）パイプライン全体においてCPU 。

AIワークフローにおけるCPUの役割

GPUはトレーニング時の大規模並列処理で高く評価されているが、コンピュータビジョン（CV）ライフサイクルの多くの重要な段階ではCPU 主力CPU そのアーキテクチャは通常x86（Intel、AMD）またはARM設計に基づいており、順次処理と複雑な論理制御に最適化されている。

• データ前処理：ニューラルネットワークが学習する前に、データを準備する必要があります。CPUはファイル読み込み、データクリーニング、NumPyなどのライブラリを用いた複雑な変換といったタスクに優れています。 NumPy や OpenCVなどのライブラリを用いた複雑な変換処理といったタスクに優れています。
• エッジ推論：実環境での展開において、大規模サーバー上でモデルを実行することは常に実現可能とは限りません。 CPUは、ノートパソコンやラズベリーパイ上でUltralytics Ultralytics を実行するなど、コンシューマー向けハードウェア上での効率的なモデル展開を可能にします。
• 後処理：モデルが生成した生の確率値を受け取った後、最終的なロジック処理はCPU 担当CPU 。 例えば 物体検出における 非最大抑制（NMS）処理など、重複する予測をフィルタリングし結果を精緻化する処理がこれにあたる。

CPU .GPU .TPU

ハードウェア環境を理解することは、機械学習オペレーション（MLOps）を最適化する上で極めて重要です。これらのプロセッサは、アーキテクチャと理想的なユースケースにおいて大きく異なります。

• CPU:多用途性と複雑なロジックを目的に設計されています。強力なコアを数基搭載し、タスクを順次処理します。データ拡張、パイプライン管理、小規模バッチでの低遅延推論に最適です。
• GPU グラフィックス処理装置）： もともとグラフィックス処理用に設計されたGPUは、 並列処理向けに設計された数千もの小型コアを備えています。 行列乗算CPUよりもはるかに高速に実行できるため、 モデルトレーニングの標準的な処理装置となっています。
• TPU Tensor ユニット）： Google tensor 専用に開発した専用回路（ASIC）。 特定のワークロードでは非常に効率的だが、CPUのような汎用的な柔軟性に欠ける。

実際のアプリケーション

コスト、入手可能性、およびエネルギー消費が、膨大な処理能力の必要性を上回るアプリケーションでは、CPUが頻繁に選択されるハードウェアである。

1. スマートセキュリティカメラ： セキュリティ警報システムにおいて、カメラは往々にして映像フィードをローカルで処理する。CPU 物体検知モデルは、映像をクラウドに送信することなく人物や車両を識別し、アラートを発動できる。これにより帯域幅とユーザーのプライバシーを保護する。
2. 産業オートメーション：工場現場では、 予知保全システムがCPUを用いて 機械からのセンサーデータを監視する。これらのシステムは振動や温度急上昇をリアルタイムで分析し、 故障を予測することで、高価なGPU 必要とせず 製造オートメーションを円滑に維持する。

Ultralytics CPU 上での推論実行

開発者はサーバーレス環境や低消費電力デバイスとの互換性を確認するため、モデルをCPU上でテストすることが多い。Ultralytics CPU容易にターゲットに設定でき、アプリケーションがどこでも確実に動作することを保証します。

以下の例は、軽量モデルを読み込み、CPU推論を実行する方法を示しています：

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)

Intel パフォーマンスをさらに向上させるため、開発者はモデルを OpenVINO 形式にエクスポートできます。この形式はニューラルネットワーク構造をx86アーキテクチャ向けに最適化します。データセット管理やデプロイメントのオーケストレーションには、Ultralytics ツールが活用でき、アノテーションからエッジ実行までのワークフローを簡素化します。