CPU

وحدة المعالجة المركزية (CPU) هي المكون الأساسي للكمبيوتر الذي يعمل بمثابة "دماغه"، وهي مسؤولة عن تفسير وتنفيذ التعليمات الواردة من الأجهزة والبرمجيات. في سياق الذكاء الاصطناعي (AI)، تلعب وحدة المعالجة المركزية دوراً أساسياً في التعامل مع البيانات، وتنظيم النظام، وتنفيذ الاستدلال، لا سيما على الأجهزة الطرفية حيث تكون كفاءة الطاقة أمراً بالغ الأهمية. وفي حين أن الأجهزة المتخصصة مثل GPUs غالباً ما ترتبط بالمهام الشاقة لتدريب نماذج التعلم العميق، تظل وحدة المعالجة المركزية لا غنى عنها لخط أنابيب التعلم الآلي (ML) بالكامل.

دور وحدات المعالجة المركزية في مهام الذكاء الاصطناعي#

على الرغم من الاحتفاء بوحدات GPU لتوازيها الهائل أثناء التدريب، إلا أن وحدة المعالجة المركزية هي العمود الفقري للعديد من المراحل الأساسية في دورة حياة رؤية الكمبيوتر (CV). إن بنيتها، التي تعتمد عادةً على تصميمات x86 (Intel و AMD) أو ARM، محسنة للمعالجة التسلسلية والتحكم المنطقي المعقد.

• معالجة البيانات المسبقة: قبل أن يتمكن الشبكة العصبية من التعلم، يجب تجهيز البيانات. تتفوق وحدات المعالجة المركزية في مهام مثل تحميل الملفات، وتنظيف البيانات، والتحويلات المعقدة باستخدام مكتبات مثل NumPy وOpenCV.
• الاستدلال الطرفي: للنشر في العالم الواقعي، لا يكون تشغيل النماذج على خوادم ضخمة ممكناً دائماً. تتيح وحدات المعالجة المركزية نشر النموذج بكفاءة على أجهزة المستهلكين، مثل تشغيل Ultralytics YOLO26 على جهاز كمبيوتر محمول أو Raspberry Pi.
• معالجة ما بعد الاستدلال: بعد أن يُخرج النموذج احتمالات خام، غالباً ما تتعامل وحدة المعالجة المركزية مع المنطق النهائي، مثل القمع غير الأقصى (NMS) في اكتشاف الكائنات، لتصفية التنبؤات المكررة وتحسين النتائج.

مقارنة بين CPU و GPU و TPU#

يعد فهم مشهد الأجهزة أمراً بالغ الأهمية لتحسين عمليات التعلم الآلي (MLOps). تختلف هذه المعالجات بشكل كبير في بنيتها وحالات الاستخدام المثالية.

• وحدة المعالجة المركزية (CPU): مصممة لتعدد الاستخدامات والمنطق المعقد. وتتميز بعدة نوى قوية تعالج المهام بشكل تسلسلي. وهي الأفضل لـ زيادة البيانات، وإدارة خطوط الأنابيب، والاستدلال منخفض الكمون على الدفعات الصغيرة.
• وحدة معالجة الرسوميات (GPU): خصصت في الأصل للرسومات، وتحتوي وحدات GPU على آلاف النوى الأصغر المصممة لـ المعالجة المتوازية. وهي المعيار لـ تدريب النماذج لأنها تستطيع إجراء عمليات ضرب المصفوفات بشكل أسرع بكثير من وحدة المعالجة المركزية.
• وحدة معالجة التنسور (TPU): دائرة متخصصة (ASIC) تم تطويرها بواسطة Google Cloud خصيصاً لرياضيات التنسور. وفي حين أنها عالية الكفاءة لأحمال عمل معينة، فإنها تفتقر إلى المرونة للأغراض العامة التي تتمتع بها وحدة المعالجة المركزية.

تطبيقات العالم الحقيقي#

غالباً ما تكون وحدات المعالجة المركزية هي الجهاز المفضل للتطبيقات التي تفوق فيها التكلفة والتوافر واستهلاك الطاقة الحاجة إلى إنتاجية خام هائلة.

1. كاميرات الأمان الذكية: في أنظمة إنذار الأمان، غالباً ما تعالج الكاميرات خلاصات الفيديو محلياً. يمكن لنموذج اكتشاف الكائنات القائم على وحدة المعالجة المركزية تحديد شخص أو مركبة وإطلاق تنبيه دون إرسال فيديو إلى السحابة، مما يحافظ على نطاق التردد وخصوصية المستخدم.

2. الأتمتة الصناعية: في أرضيات المصانع، تستخدم أنظمة الصيانة التنبؤية وحدات المعالجة المركزية لمراقبة بيانات المستشعرات من الآلات. تحلل هذه الأنظمة الاهتزازات أو ارتفاعات درجات الحرارة في الوقت الفعلي للتنبؤ الأعطال، مما يضمن أتمتة التصنيع السلسة دون الحاجة إلى مجموعات GPU باضعة التكلفة.

تشغيل الاستدلال على وحدة المعالجة المركزية باستخدام Ultralytics#

غالباً ما يقوم المطورون اختبار النماذج على وحدات المعالجة المركزية للتحقق من التوافق مع بيئات الحوسبة بدون خادم أو الأجهزة منخفضة الطاقة. تتيح لك Ultralytics API استهداف وحدة المعالجة المركزية بسهولة، مما يضمن تشغيل تطبيقك في أي مكان.

يوضح المثال التالي كيفية تحميل نموذج خفيف الوزن وتشغيل الاستدلال خصيصاً على وحدة المعالجة المركزية:

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)

لتحسين الأداء بشكل أكبر على معالجات Intel، يمكن للمطورين تصدير نماذجهم إلى تنسيق OpenVINO، مما يُمكّن من تحسين هيكل الشبكة العصبية خصيصاً لبنية x86. لإدارة مجموعات البيانات وتنظيم عمليات النشر هذه، تبسط أدوات مثل Ultralytics Platform سير العمل من وضع العلامات إلى التنفيذ الطرفي.