GPU (Graphics Processing Unit)

وحدة معالجة الرسومات (GPU) هي دائرة إلكترونية متخصصة صُممت في الأصل لتسريع معالجة الصور وإنشائها في مخزن الإطارات لإخراج العرض. وبينما تكمن جذورها في تصيير رسومات الحاسوب لأغراض الألعاب والتصور الاحترافي، تطورت وحدات معالجة الرسومات لتصبح المحرك الأساسي لـالذكاء الاصطناعي (AI) الحديث. وعلى عكس المعالج القياسي الذي يستخدم عدداً قليلاً من النوى القوية لمعالجة المهام بالتتابع، تتكون بنية وحدة معالجة الرسومات من آلاف النوى الأصغر والأكثر كفاءة، والمصممة لمعالجة مهام متعددة في آنٍ واحد. وتجعل هذه القدرة، المعروفة باسم الحوسبة المتوازية، وحدات معالجة الرسومات فعالةً للغاية في عمليات المصفوفات والمتجهات الضخمة التي تقوم عليها التعلّم العميق (DL) والشبكات العصبية (NN) المعقدة.

تسريع أعباء عمل الذكاء الاصطناعي#

يتمثل السبب الرئيسي الذي يجعل وحدات معالجة الرسومات لا غنى عنها في التعلّم الآلي (ML) في قدرتها على تنفيذ عمليات ضرب المصفوفات بسرعة عالية. وقد صُممت أطر التعلّم العميق، مثل PyTorch وTensorFlow، خصيصاً للاستفادة من تسريع الأجهزة هذا. وينتج عن ذلك تقليل كبير في أزمنة تدريب النماذج، إذ يمكن غالباً تحويل ما قد يستغرق أسابيع من الحساب على معالج قياسي إلى ساعات على وحدة معالجة الرسومات. ويُقاس معدل الإنتاجية الحسابية لهذه الأجهزة عادةً بوحدة FLOPS (عمليات الفاصلة العائمة في الثانية)، وهي مقياس مهم لتقييم قدرة الأجهزة على التعامل مع المتطلبات المكثفة للنماذج المتطورة مثل YOLO26.

الفروق بين الأجهزة: GPU مقابل CPU مقابل TPU#

لفهم مشهد الأجهزة، من المفيد التمييز بين وحدة معالجة الرسومات ووحدات المعالجة الأخرى:

• وحدة المعالجة المركزية (CPU): «عقل» الحاسوب متعدد الأغراض. تتفوق وحدات المعالجة المركزية في المعالجة التسلسلية وتفرعات المنطق المعقدة، لكنها أقل كفاءة في التوازي الهائل المطلوب لتدريب الذكاء الاصطناعي على نطاق واسع.
• وحدة معالجة الرسومات (GPU): المعيار الصناعي للتدريب والاستدلال. وتستخدم الشركات المصنّعة الرائدة، مثل NVIDIA، منظومات برمجية مثل CUDA لتمكين المطورين من برمجة وحدة معالجة الرسومات مباشرةً لأغراض الحوسبة العامة.
• وحدة معالجة الموتر (TPU): دائرة متكاملة خاصة بالتطبيقات (ASIC) طُوّرت خصيصاً للتعلّم الآلي القائم على الشبكات العصبية. وعلى الرغم من كفاءتها العالية في عمليات الموترات المحددة، فإنها أقل مرونة من وحدات معالجة الرسومات في مهام الحوسبة الأوسع نطاقاً.

التطبيقات الواقعية#

أدى تطبيق وحدات معالجة الرسومات عالية الأداء إلى دفع عجلة الابتكار في صناعات متنوعة:

• المركبات ذاتية القيادة: يجب على السيارات ذاتية القيادة معالجة غيغابايتات من البيانات الواردة من الكاميرات والرادار ومستشعرات LiDAR كل ثانية. وتمكّن وحدات معالجة الرسومات من تنفيذ الاستدلال في الوقت الفعلي، مما يسمح للحاسوب الموجود على متن المركبة بتشغيل نماذج اكتشاف الأجسام التي تحدد المشاة وإشارات المرور والعوائق فورياً.
• تحليل الصور الطبية: في قطاع الرعاية الصحية، تسرّع وحدات معالجة الرسومات معالجة الفحوص عالية الدقة، مثل صور الرنين المغناطيسي والتصوير المقطعي المحوسب. كما تتيح خوارزميات متقدمة لـتجزئة الصور تحديد حدود الأورام أو الأعضاء بدقة، مما يساعد أطباء الأشعة على إجراء تشخيصات أسرع وأكثر دقة من دون الاعتماد حصراً على الفحص اليدوي.

التدريب باستخدام وحدات معالجة الرسومات#

عند استخدام الحزمة ultralytics، يكون استخدام وحدة معالجة الرسومات أمراً مباشراً، ويوصى به بشدة لتحقيق كفاءة سير العمل. وتدعم المكتبة الكشف التلقائي عن الجهاز، كما يمكن للمستخدمين تحديد الجهاز صراحةً.

يوضح المثال التالي كيفية تدريب نموذج YOLO26 على أول وحدة معالجة رسومات متاحة:

from ultralytics import YOLO

# Load the YOLO26n model
model = YOLO("yolo26n.pt")

# Train the model on the first available GPU (device=0)
# This significantly accelerates training compared to CPU usage
results = model.train(data="coco8.yaml", epochs=5, imgsz=640, device=0)

النشر والتحسين#

إلى جانب التدريب، تؤدي وحدات معالجة الرسومات دوراً محورياً في نشر النماذج. ولتحقيق أقصى قدر من الكفاءة أثناء الاستدلال، تُحوّل النماذج غالباً إلى تنسيقات محسّنة مثل TensorRT، الذي يعيد هيكلة الشبكة العصبية لتتوافق تماماً مع بنية وحدة معالجة الرسومات المحددة، مما يقلل زمن الاستجابة. وبالنسبة إلى المطورين الذين لا يملكون أجهزة محلية متطورة، توفر منصة Ultralytics حلولاً سحابية لإدارة مجموعات البيانات وتدريب النماذج على عناقيد وحدات معالجة الرسومات البعيدة والقوية. وتدفع سهولة الوصول هذه عجلة الابتكار في الذكاء الاصطناعي الطرفي، مما يتيح نشر مهام الرؤية الحاسوبية (CV) المعقدة على أجهزة أصغر وأكثر كفاءة في استهلاك الطاقة ميدانياً.