云计算

主要概念和优势

云计算简化了资源密集型应用程序的访问和部署，这对人工智能和 ML 任务尤其有利。用户可以利用亚马逊网络服务（AWS）、Google 云平台（GCP）或Microsoft Azure 等主要云提供商提供的按需技术服务，而无需管理物理数据中心。主要优势包括

• 可扩展性：根据 ML 工作负载的需求（如训练复杂的深度学习 (DL)模型或处理可变的推理流量），轻松增减GPU或TPU等计算资源。
• 成本效益：现收现付的定价模式无需大量的硬件资本支出，用户只需支付所使用的计算时间和存储费用，从而优化了模型培训和部署的成本。
• 可访问性：在任何地方，只要有互联网连接，就能访问强大的计算资源和专用硬件，促进协作，使个人和较小的组织能够使用以下工具开展大规模人工智能项目 PyTorch或 TensorFlow.
• 托管服务：云提供商为数据库、数据存储（数据湖）、MLOps 管道和模型部署提供托管服务，从而减轻开发团队的运营负担。您可以在这里找到各种部署选项。

人工智能/移动语言应用中的云计算

云计算是现代人工智能和 ML 工作流程的基础，它提供了必要的基础设施和工具。这里有两个例子：

1. 大规模模型训练：训练最先进的模型，如 Ultralytics YOLO等先进模型的训练往往需要强大的计算能力和大型数据集（如COCO 数据集）。云平台提供对高性能 GPU 或 TPU 集群的访问，使研究人员和工程师能够在数小时或数天内高效地训练模型，而不是数周或数月。Ultralytics HUB 云培训等服务将基础设施管理抽象化，使用户能够专注于使用自定义数据集进行模型开发。
2. 可扩展的人工智能服务部署：人工智能模型经过训练后，需要部署到新数据上进行预测（推理）。云平台提供可扩展的托管解决方案，允许将模型部署为 API，以处理波动的请求数量。例如，用于分析视频流的实时对象检测服务可以根据需求自动扩展其底层计算资源，确保交通管理或零售分析等应用的性能始终如一。探索各种利用云部署的Ultralytics 计算机视觉解决方案。

云计算与相关术语

将云计算与相关概念区分开来很有帮助：

• 边缘计算：云计算依赖于集中式数据中心，而边缘计算则在本地设备或边缘服务器上处理更接近源头的数据。这减少了延迟和带宽使用，使其适用于自动驾驶汽车或工业自动化等实时应用，因为在这些应用中，即时响应至关重要。云计算和边缘计算通常以混合模式协同工作。点击此处了解更多边缘计算原理。Ultralytics 模型可部署在边缘设备上。
• 无服务器计算：无服务器计算是一种建立在云基础设施之上的执行模式，云提供商可动态管理服务器的分配和供应。开发人员在函数（如AWS Lambda或Google Cloud Functions）中编写和部署代码，无需管理底层基础设施。它通常用于事件驱动型应用程序和微服务，是对传统云服务的补充。

结论

云计算为人工智能和ML的开发和部署提供了灵活、可扩展和经济高效的基础。通过利用云资源，研究人员和开发人员可以加速创建和应用Ultralytics 提供的先进模型，推动从医疗保健到农业等各行各业的创新。无论是训练复杂算法、部署推理服务，还是管理庞大的数据集，云计算都能提供必不可少的工具和基础设施。探索Ultralytics HUB，了解无缝模型管理和培训，或浏览Ultralytics 博客，了解由云原生计算基金会（CNCF）和云安全联盟（CSA）等组织支持的云基础设施驱动的人工智能趋势和解决方案。您还可以查看Ultralytics 文档，了解详细指南。