CPU

تُعد وحدة المعالجة المركزية (CPU) المكون الرئيسي للحاسوب الذي يعمل كـ "عقله"، وهي مسؤولة عن تفسير وتنفيذ التعليمات من الأجهزة والبرمجيات. وفي سياق الذكاء الاصطناعي (AI)، تلعب وحدة المعالجة المركزية دوراً أساسياً في معالجة البيانات، وتنظيم النظام، وتنفيذ الاستدلال، خاصة على أجهزة الحافة حيث تكون كفاءة الطاقة أمراً بالغ الأهمية. وعلى الرغم من أن الأجهزة المتخصصة مثل وحدات معالجة الرسومات (GPUs) غالباً ما ترتبط بالعمليات الشاقة لتدريب نماذج التعلم العميق، تظل وحدة المعالجة المركزية لا غنى عنها في خط سير عمل تعلم الآلة (ML) بأكمله.

Link to this sectionدور وحدات المعالجة المركزية في مهام الذكاء الاصطناعي#

على الرغم من أن وحدات معالجة الرسومات (GPUs) تحظى بشهرة لقدرتها الهائلة على المعالجة المتوازية أثناء التدريب، إلا أن وحدة المعالجة المركزية (CPU) هي المحرك الأساسي للعديد من المراحل الضرورية في دورة حياة الرؤية الحاسوبية (CV). بنية وحدة المعالجة المركزية، والتي تعتمد عادةً على تصميمات x86 (Intel، AMD) أو ARM، مُحسّنة للمعالجة التسلسلية والتحكم المنطقي المعقد.

• معالجة البيانات الأولية: قبل أن تتمكن الشبكة العصبية من التعلم، يجب إعداد البيانات. تتفوق وحدات المعالجة المركزية في مهام مثل تحميل الملفات، وتنظيف البيانات، والتحويلات المعقدة باستخدام مكتبات مثل NumPy وOpenCV.
• الاستدلال عند الحافة: من أجل النشر في العالم الحقيقي، ليس من الممكن دائماً تشغيل النماذج على خوادم ضخمة. تسمح وحدات المعالجة المركزية بـ نشر النماذج بكفاءة على أجهزة المستهلكين، مثل تشغيل Ultralytics YOLO26 على حاسوب محمول أو جهاز Raspberry Pi.
• المعالجة اللاحقة: بعد أن تُخرج النماذج الاحتمالات الخام، غالباً ما تتولى وحدة المعالجة المركزية التعامل مع المنطق النهائي، مثل كبت الحد الأقصى غير المرتبط (NMS) في كشف الكائنات، لتصفية التنبؤات المكررة وتحسين النتائج.

Link to this sectionمقارنة بين CPU و GPU و TPU#

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

• CPU: Designed for versatility and complex logic. It features a few powerful cores that process tasks sequentially. It is best for data augmentation, pipeline management, and low-latency inference on small batches.
• GPU (Graphics Processing Unit): Originally for graphics, GPUs have thousands of smaller cores designed for parallel processing. They are the standard for model training because they can perform matrix multiplications much faster than a CPU.
• وحدة معالجة الموتر (TPU): دائرة متكاملة متخصصة (ASIC) طورتها Google Cloud خصيصاً لحسابات الموترات. وعلى الرغم من أنها عالية الكفاءة لأحمال عمل محددة، إلا أنها تفتقر إلى المرونة العامة التي تتمتع بها وحدة المعالجة المركزية.

Link to this sectionتطبيقات 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. Smart Security Cameras: In security alarm systems, cameras often process video feeds locally. A CPU-based object detection model can identify a person or vehicle and trigger an alert without sending video to the cloud, preserving bandwidth and user privacy.

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

Link to this sectionتشغيل الاستدلال على وحدة المعالجة المركزية باستخدام Ultralytics#

غالباً ما يختبر المطورون النماذج على وحدات المعالجة المركزية للتحقق من التوافق مع بيئات الحوسبة بدون خادم أو الأجهزة منخفضة الطاقة. تسمح لك واجهة برمجة تطبيقات Ultralytics باستهداف 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)

To further improve performance on Intel CPUs, developers can export their models to the OpenVINO format, which optimizes the neural network structure specifically for x86 architecture. For managing datasets and orchestrating these deployments, tools like the Ultralytics Platform simplify the workflow from annotation to edge execution.