术语表

云计算

探索云计算在人工智能/ML 方面的力量!高效扩展,更快地训练 Ultralytics YOLO 模型,并以经济高效的方式无缝部署。

云计算是通过互联网("云")按需提供计算服务,包括服务器、存储、数据库、网络、软件、分析和智能。企业无需拥有和维护自己的计算基础设施,而是可以从亚马逊网络服务(AWS)谷歌云微软 Azure 等云提供商那里获取这些服务。这种模式可以实现更快的创新、灵活的资源和规模经济,是现代人工智能(AI)机器学习(ML)的重要基础。根据美国国家标准与技术研究院(NIST)的定义,其核心理念是提供无处不在、方便快捷、按需访问共享计算资源池的网络。

云计算如何运作

云计算提供商拥有一个由大量硬件组成的全球数据中心网络。它们通过不同的模式提供服务,其中最常见的是

  • 基础设施即服务(IaaS):提供虚拟机、存储和网络等基本计算资源。这为用户提供了最大程度的控制,是定制深度学习环境的理想选择。
  • 平台即服务(PaaS):提供一个平台,允许客户开发、运行和管理应用程序,而无需构建和维护复杂的基础设施。这包括托管数据库和Kubernetes服务。
  • 软件即服务(SaaS):以订购方式通过互联网提供软件应用程序。Ultralytics HUB就是一个 SaaS 平台的例子,它为计算机视觉模型的训练和管理提供工具。

这种结构能够带来节约成本、全球可扩展性、高性能和增强数据安全性等关键优势,并与云安全联盟(CSA)等组织合作管理这些优势。

人工智能和机器学习的重要性

云是当今人工智能发展的主要引擎。训练高级模型(如Ultralytics YOLO)需要巨大的计算能力和数据,而在本地托管这些数据往往是不切实际的。

主要用途包括

  • 训练强大的模型:云计算可提供在大型数据集上进行分布式训练所需的GPUTPU等高性能硬件。Ultralytics HUB 云培训等平台可利用这一点加速模型开发。
  • 管理大型数据集:人工智能模型需要在海量训练数据的基础上进行训练。云存储解决方案为这些数据集提供了可扩展、可访问的存储库,从ImageNet到用于特定任务(如物体检测)的自定义集合。
  • 可扩展的模型部署:模型训练完成后,可部署到云端进行实时推理。云的弹性特性允许应用程序自动扩展,以应对波动的需求,这也是MLOps 的核心原则。您可以在我们的文档中了解有关不同模型部署选项的更多信息。

实际应用

  1. 汽车领域的人工智能:开发自动驾驶汽车的公司收集了数 PB 的驾驶数据。他们使用基于云的 GPU 集群来训练和验证可识别行人、车辆和路标的感知模型,详细过程请参见我们的人工智能在汽车中的应用解决方案页面
  2. 医疗保健领域的人工智能:一家研究医院可能会使用安全、符合 HIPAA 标准的云环境来训练医疗图像分析的诊断模型。通过汇集匿名数据,他们可以使用PyTorch等框架建立一个强大的模型来检测 X 射线或核磁共振成像中的异常,从而更快、更准确地做出诊断,提高人工智能在医疗保健领域的应用

云计算 Vs.相关概念

  • 无服务器计算: 无服务器计算是云计算中的一种执行模式,而不是云计算的替代品。广义的云计算可能涉及管理虚拟服务器(IaaS),而无服务器则抽象了所有服务器管理。您只需提供代码(作为函数),云提供商就会自动提供资源来运行它,并根据需要从零扩展到海量。
  • 边缘计算: 边缘计算涉及在网络 "边缘 "靠近数据源的设备上本地处理数据。这与云计算的集中模式正好相反。不过,它们经常以混合方式一起使用。例如,像英伟达 Jetson这样的边缘人工智能设备可以执行初始对象检测,然后只将相关元数据发送到云端进行长期存储、聚合或更深入的分析。这种方法结合了边缘的低延迟和云的强大功能。您可以在我们的博客中找到更多关于在边缘设备上部署应用的见解。

加入 Ultralytics 社区

加入人工智能的未来。与全球创新者联系、合作和成长

立即加入
链接复制到剪贴板