اكتشف قوة الحوسبة السحابية للذكاء الاصطناعي/التعلم الآلي! توسّع بكفاءة، ودرّب نماذج Ultralytics YOLO بشكل أسرع، وانشرها بسلاسة مع فعالية التكلفة.
الحوسبة السحابية هي توفير موارد تكنولوجيا المعلومات عند الطلب - بما في ذلك قوة الحوسبة والتخزين وقواعد البيانات - عبر عبر الإنترنت. فبدلاً من شراء وامتلاك وصيانة مراكز البيانات والخوادم المادية، يمكن للمؤسسات الوصول إلى خدمات التكنولوجيا حسب الحاجة من مزود خدمات سحابية مثل Amazon Web Services (AWS), أو Microsoft Azure أو Google Cloud. تسمح هذه النقلة النوعية للشركات بمقايضة النفقات الرأسمالية بالنفقات المتغيرة، والدفع فقط مقابل الموارد التي تستهلكها. بالنسبة الممارسين في الذكاء الاصطناعي، توفر السحابة توفر البنية التحتية القابلة للتطوير اللازمة لتدريب النماذج المعقدة وإدارة كميات هائلة من البيانات دون قيود الأجهزة المحلية.
إن التقدم السريع لـ يرتبط التعلم الآلي (ML) ارتباطًا جوهريًا بقدرات الحوسبة السحابية. يتطلب تدريب النماذج المتطورة قدرة حاسوبية هائلة، وغالبًا ما تتضمن مجموعات عالية الأداء من وحدات معالجة الرسومات (GPUs) أو وحدات معالجةTensor (TPUs). تعمل المنصات السحابية تتيح المنصات السحابية الوصول إلى هذه الأجهزة بشكل ديمقراطي، مما يسمح للمطورين بإعداد مثيلات قوية لمهام التدريب الموزعة التي تكون باهظة التكلفة.
علاوة على ذلك، توفر السحابة حلولاً قوية لـ لأمن البيانات وتخزينها. التعامل مع البيانات الضخمة بيانات التدريب الضخمة المطلوبة لمشاريع الحديثة للرؤية الحاسوبية (CV) - مثل ImageNet من خلال خدمات تخزين الكائنات القابلة للتطوير تخزين الكائنات مثل Amazon S3 أو أو Google للتخزين السحابي.
تُصنَّف الخدمات السحابية عادةً إلى ثلاثة نماذج أساسية، يقدم كل منها مستوى مختلفًا من التحكم و والإدارة:
تُمكِّن الحوسبة السحابية حلول الذكاء الاصطناعي من التوسع عالمياً في مختلف الصناعات.
من المهم التمييز بين الحوسبة السحابية و حوسبة الحافة. في حين أن الحوسبة السحابية تجعل الحوسبة السحابية مركزية المعالجة في مراكز البيانات البعيدة، فإن الحوسبة الطرفية تجعل الحوسبة الطرفية الحوسبة أقرب إلى مصدر البيانات، مثل حوسبة جهاز إنترنت الأشياء.
يوضح مقتطف Python التالي سير عمل نموذجي حيث يمكن تشغيل برنامج نصي على جهاز افتراضي سحابي (آلة افتراضية) لتدريب نموذج مكثف حسابيًا مثل YOLO11 باستخدام حزمة حزمةUltralytics Python .
from ultralytics import YOLO
# Load a YOLO11 model (n=nano size)
model = YOLO("yolo11n.pt")
# Train the model on the COCO8 dataset
# Cloud instances with GPUs accelerate this process significantly
results = model.train(
data="coco8.yaml", # dataset config
epochs=100, # number of training epochs
imgsz=640, # image size
device=0, # use the first GPU available
)
تستفيد هذه العملية من قدرة السحابة على تخصيص موارد GPU بشكل ديناميكي، مما يضمن أن تتقارب خوارزمية التحسين بكفاءة دون إرهاق أجهزة الكمبيوتر المحمولة المحلية للمطورين.
