GPU (Unidade de processamento gráfico)

Uma unidade de processamento gráfico (GPU) é um tipo especializado de processador inicialmente concebido para manipular e alterar rapidamente a memória para acelerar a criação de imagens numa memória intermédia de fotogramas destinada a ser enviada para um dispositivo de visualização. Embora inicialmente desenvolvidas para renderização de gráficos em jogos e design, as GPUs tornaram-se indispensáveis no domínio da Inteligência Artificial (IA) e da Aprendizagem Automática (ML). A sua arquitetura de processamento paralelo torna-as excecionalmente adequadas para as tarefas computacionalmente intensivas necessárias para treinar modelos complexos de aprendizagem profunda e realizar inferências rápidas.

Importância da IA e da aprendizagem automática

O surgimento das GPUs revolucionou a IA e o ML ao acelerar drasticamente o treinamento de redes neurais. Tarefas como a deteção de objectos e a segmentação de imagens, que envolvem o processamento de grandes quantidades de dados de imagem, beneficiam significativamente das capacidades de processamento paralelo das GPUs. Por exemplo, os modelos Ultralytics YOLO utilizam GPUs para obter precisão em tempo real no processamento de dados de vídeo e imagem para tarefas de deteção de objectos. Esta velocidade permite aos investigadores e programadores iterar mais rapidamente nos modelos, experimentar com conjuntos de dados maiores e implementar aplicações de IA sofisticadas que anteriormente eram impraticáveis devido a restrições computacionais.

Principais diferenças em relação às CPUs e TPUs

As Unidades Centrais de Processamento (CPUs) e as GPUs diferem fundamentalmente na sua conceção e aplicação. As CPUs são optimizadas para computação de uso geral e são excelentes a lidar com uma vasta gama de tarefas sequencialmente. Em contraste, as GPUs são concebidas para cálculos maciçamente paralelos, executando a mesma operação em vários pontos de dados simultaneamente. Esta arquitetura paralela é o que torna as GPUs tão eficazes para as multiplicações de matrizes e outras operações de álgebra linear no centro da aprendizagem profunda.

Embora as GPUs sejam excelentes para o processamento paralelo, asTensor Processing Units (TPUs) são outra classe de hardware especializado, desenvolvido pela Google, especificamente para cargas de trabalho de aprendizagem automática. As TPUs são concebidas e optimizadas para TensorFlow e oferecem um desempenho ainda maior para determinadas tarefas de aprendizagem automática, em especial a inferência. No entanto, as GPUs continuam a ser mais versáteis devido à sua maior aplicabilidade e ecossistema de software mais alargado, suportado por estruturas como PyTorch e a plataforma NVIDIA's CUDA , tornando-as a escolha predominante para a maior parte do desenvolvimento de IA.

Aplicações do mundo real em IA

As GPUs são essenciais para permitir uma vasta gama de aplicações de IA que têm impacto em várias indústrias:

• Veículos autónomos: Os veículos autónomos dependem fortemente das GPUs para processar dados de câmaras, sensores lidar e de radar em tempo real, permitindo uma rápida tomada de decisões para navegação e segurança. O processamento de alta velocidade oferecido pelas GPUs é fundamental para a capacidade de resposta exigida na IA em carros autónomos.
• Imagens médicas: Na área da saúde, as GPUs aceleram a análise de imagens médicas, como ressonâncias magnéticas e tomografias computadorizadas, auxiliando em diagnósticos mais rápidos e precisos. A análise de imagens médicas com GPUs melhora a eficiência dos profissionais de saúde e melhora o atendimento ao paciente.
• Jogos e realidade virtual: Para além da IA, as GPUs continuam a ser a espinha dorsal da indústria dos jogos, apresentando gráficos complexos e permitindo experiências imersivas de realidade virtual. As GPUs de elevado desempenho são cruciais para proporcionar imagens realistas e suaves nestas aplicações.
• Investigação científica: Os investigadores de várias disciplinas científicas utilizam as GPUs para acelerar as simulações e a análise de dados em áreas como a modelação climática, a descoberta de medicamentos e a física de partículas. O poder computacional das GPUs permite simulações mais complexas e detalhadas, levando a descobertas científicas mais rápidas.

Integração com o ecossistema Ultralytics

Ultralytics aproveita o poder das GPUs em todo o seu ecossistema para otimizar o desempenho e a eficiência. A plataforma Ultralytics HUB permite aos utilizadores treinar modelos Ultralytics YOLO modelos na nuvem, utilizando a aceleração GPU para reduzir significativamente os tempos de treino. Para a implementação de modelos, Ultralytics suporta formatos como TensorRTque optimiza modelos para GPUs NVIDIA , aumentando a velocidade de inferência.

Para implementações de ponta, dispositivos como a série NVIDIA Jetson, equipados com poderosas NVIDIA GPUs, são plataformas ideais para executar Ultralytics YOLO modelos em aplicações em tempo real. Para começar a utilizar a GPU IA acelerada, o Ultralytics Guia de Início Rápido fornece instruções para configurar CUDA e os ambientes necessários. Para utilizadores avançados que pretendam escalar a sua formação, é suportada a formação distribuída em várias GPUs, acelerando ainda mais o processo de formação para modelos maiores e mais complexos.