CPU

وحدة المعالجة المركزية (CPU) هي المكوّن الأساسي في الحاسوب الذي يعمل بمثابة «عقله»، إذ تتولى تفسير التعليمات الواردة من العتاد والبرمجيات وتنفيذها. وفي سياق الذكاء الاصطناعي (AI)، تؤدي وحدة المعالجة المركزية دورًا أساسيًا في معالجة البيانات، وتنسيق النظام، وتنفيذ الاستدلال، ولا سيما على الأجهزة الطرفية التي تكون فيها كفاءة استهلاك الطاقة أمرًا بالغ الأهمية. وعلى الرغم من أن العتاد المتخصص، مثل وحدات معالجة الرسومات، يرتبط غالبًا بالمهام الحسابية الثقيلة لتدريب نماذج التعلم العميق، تظل وحدة المعالجة المركزية ضرورية لسير عمل التعلم الآلي (ML) بأكمله.

دور وحدات المعالجة المركزية في سير عمل الذكاء الاصطناعي#

على الرغم من أن وحدات معالجة الرسومات تحظى بالإشادة لقدرتها الهائلة على المعالجة المتوازية أثناء التدريب، فإن وحدة المعالجة المركزية تؤدي دورًا أساسيًا في العديد من المراحل الضرورية من دورة حياة الرؤية الحاسوبية (CV). وتعتمد بنيتها عادةً على تصميمات x86 (Intel وAMD) أو ARM، وهي مُحسّنة للمعالجة التسلسلية والتحكم في المنطق المعقد.

• المعالجة المسبقة للبيانات: قبل أن تتمكن الشبكة العصبية من التعلم، يجب إعداد البيانات. تتفوق وحدات المعالجة المركزية في مهام مثل تحميل الملفات، وتنظيف البيانات، وإجراء التحويلات المعقدة باستخدام مكتبات مثل NumPy وOpenCV.
• الاستدلال الطرفي: في عمليات النشر الواقعية، لا يكون تشغيل النماذج على خوادم ضخمة ممكنًا دائمًا. تتيح وحدات المعالجة المركزية إجراء نشر النماذج بكفاءة على الأجهزة المتاحة للمستهلكين، مثل تشغيل Ultralytics YOLO26 على حاسوب محمول أو Raspberry Pi.
• المعالجة اللاحقة: بعد أن يُخرج النموذج احتمالات خامًا، تتولى وحدة المعالجة المركزية غالبًا المنطق النهائي، مثل القمع غير الأقصى (NMS) في اكتشاف الكائنات، لتصفية التنبؤات المكررة وتحسين النتائج.

وحدة المعالجة المركزية مقابل وحدة معالجة الرسومات مقابل TPU#

يُعد فهم منظومة العتاد أمرًا بالغ الأهمية لتحسين عمليات التعلم الآلي (MLOps). وتختلف هذه المعالجات اختلافًا كبيرًا في بنيتها وحالات الاستخدام المثالية لها.

• وحدة المعالجة المركزية: صُممت للتنوع والمنطق المعقد. وتضم عددًا قليلًا من الأنوية القوية التي تعالج المهام بالتتابع. وهي الأنسب لـزيادة البيانات، وإدارة مسارات المعالجة، والاستدلال منخفض زمن الاستجابة على الدفعات الصغيرة.
• وحدة معالجة الرسومات (GPU): طُوّرت وحدات معالجة الرسومات في الأصل للرسومات، وتضم آلاف الأنوية الأصغر المصممة من أجل المعالجة المتوازية. وهي المعيار لتدريب النماذج لأنها تستطيع إجراء عمليات ضرب المصفوفات بسرعة أكبر بكثير من وحدة المعالجة المركزية.
• وحدة معالجة الموتر (TPU): دائرة متخصصة (ASIC) طورتها Google Cloud خصيصًا لإجراء العمليات الحسابية على الموترات. وعلى الرغم من كفاءتها العالية في أعباء عمل محددة، فإنها تفتقر إلى المرونة متعددة الأغراض التي تتميز بها وحدة المعالجة المركزية.

التطبيقات الواقعية#

غالبًا ما تكون وحدات المعالجة المركزية الخيار العتادي المفضل للتطبيقات التي تفوق فيها التكلفة والتوافر واستهلاك الطاقة الحاجة إلى معدل نقل خام هائل.

1. كاميرات الأمان الذكية: في أنظمة إنذار الأمان، تعالج الكاميرات غالبًا تدفقات الفيديو محليًا. ويمكن لنموذج اكتشاف الكائنات القائم على وحدة المعالجة المركزية تحديد شخص أو مركبة وإطلاق تنبيه دون إرسال الفيديو إلى السحابة، مما يحافظ على النطاق الترددي وخصوصية المستخدم.

2. الأتمتة الصناعية: في أแرضيات المصانع، تستخدم أنظمة الصيانة التنبؤية وحدات المعالجة المركزية لمراقبة بيانات المستشعرات الواردة من الآلات. وتحلل هذه الأنظمة الاهتزازات أو الارتفاعات المفاجئة في درجات الحرارة في الوقت الفعلي للتنبؤ بالأعطال، مما يضمن سلاسة أتمتة التصنيع دون الحاجة إلى عناقيد GPU باهظة التكلفة.

تشغيل الاستدلال على وحدة المعالجة المركزية باستخدام Ultralytics#

يختبر المطورون النماذج غالبًا على وحدات المعالجة المركزية للتحقق من توافقها مع بيئات الحوسبة عديمة الخوادم أو الأجهزة منخفضة الطاقة. وتتيح لك واجهة برمجة تطبيقات Ultralytics استهداف وحدة المعالجة المركزية بسهولة، مما يضمن تشغيل تطبيقك في أي مكان.

يوضح المثال التالي كيفية تحميل نموذج خفيف الوزن وتشغيل الاستدلال باستخدام وحدة المعالجة المركزية تحديدًا:

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 على وحدات المعالجة المركزية من Intel بدرجة أكبر، يمكن للمطورين تصدير نماذجهم إلى تنسيق OpenVINO، الذي يحسّن بنية الشبكة العصبية خصيصًا لمعمارية x86. ولإدارة مجموعات البيانات وتنسيق عمليات النشر هذه، تعمل أدوات مثل Ultralytics Platform على تبسيط سير العمل بدءًا من وضع التعليقات التوضيحية وصولًا إلى التنفيذ الطرفي.