وحدة معالجة الرسومات (GPU )

وحدة معالجة الرسومات (GPU) هي دائرة إلكترونية متخصصة مصممة في الأصل لتسريع إنشاء وعرض رسومات الكمبيوتر. على الرغم من أن أصولها تعود إلى الألعاب وعرض الفيديو، GPU تطورت GPU لتصبح مكونًا أساسيًا للحوسبة الحديثة بفضل هندستها الفريدة. على عكس المعالج القياسي الذي يتعامل مع المهام بشكل تسلسلي، GPU من آلاف النوى الأصغر حجمًا والأكثر كفاءة والقادرة على معالجة كتل ضخمة من البيانات في وقت واحد. جعلت هذه البنية المتوازية وحدات معالجة الرسومات لا غنى عنها في مجالات الذكاء الاصطناعي (AI) و التعلم الآلي (ML)، حيث تقلل بشكل كبير الوقت اللازم لتدريب الخوارزميات المعقدة.

قوة الحوسبة المتوازية

تكمن الميزة الأساسية GPU في الحوسبة المتوازية. أعباء عمل الذكاء الاصطناعي الحديثة، خاصةً تلك التي تتضمن التعلم العميق (DL) و والشبكات العصبية (NN)، تعتمد بشكل كبير على عمليات المصفوفة التي تتطلب الكثير من العمليات الحسابية المكثفة والمتكررة. يمكن GPU تقسيم هذه المهام على آلاف النوى النوى الخاصة بها، وتنفيذها كلها في وقت واحد.

تتيح هذه الإمكانية للباحثين إجراء تدريب النماذج في غضون ساعات بدلاً من أسابيع. غالبًا ما تُقاس الإنتاجية الحسابية لهذه الأجهزة بوحدة FLOPS (عمليات النقطة العائمة في الثانية)، وهي مقياس قياسي للحوسبة عالية الأداء. أطر عمل مثل PyTorch و TensorFlow مُحسّنة للاستفادة من تسريع الأجهزة هذا، مما يتيح للمطورين إنشاء نماذج أكبر وأكثر دقة.

فروق الأجهزة: GPU مقابل CPU مقابل TPU CPU مقابل TPU

لفهم موقع وحدات معالجة الرسومات في مشهد الأجهزة، من المفيد مقارنتها مع المعالجات الشائعة الأخرى:

• CPU الجة المركزية (CPU ): CPU المعالجة المركزية هي "دماغ" الحاسوب للأغراض العامة، وهي مصممة مع عدد أقل من النوى الأكثر قوة للتعامل مع المهام المتسلسلة والمنطق المعقد. وهي مثالية لتشغيل أنظمة التشغيل، ولكنها أقل كفاءة في التعامل مع التوازي الهائل الذي يتطلبه الذكاء الاصطناعي.
• وحدة معالجة الرسوماتGPU ): تم تحسين GPU من أجل زيادة الإنتاجية، GPU في المهام المتوازية. الشركات المصنعة الرائدة مثل NVIDIA توفر أنظمة بيئية قوية، مثل CUDA، والتي تتيح للمطورين الاستفادة من هذه القوة مباشرة في تطبيقات الذكاء الاصطناعي .
• وحدةTensor TPU ): وحدة TPU دائرة متكاملة مخصصة للتطبيقات (ASIC) تم تطويرها خصيصًا لتسريع أحمال عمل التعلم الآلي. في حين أن وحدات TPU عالية الكفاءة في tensor المحددة، تظل وحدات GPU أكثر تنوعًا في مجموعة واسعة من المهام.

تطبيقات العالم الحقيقي في الذكاء الاصطناعي

أدى تطبيق تسريع GPU إلى تعزيز الابتكارات في مختلف الصناعات:

• القيادة الذاتية: تتطلب السيارات ذاتية القيادة معالجة البيانات من الكاميرات والرادار وأجهزة استشعار LiDAR في أجزاء من الثانية. تعمل وحدات معالجة الرسومات (GPU) على تشغيل نماذج اكتشاف الأجسام التي تحدد المشاة والمركبات الأخرى وإشارات المرور على الفور، وهو أحد أركان الذكاء الاصطناعي في مجال السيارات.
• التصوير الطبي: في مجال الرعاية الصحية، تعمل وحدات معالجة الرسومات على تسريع تحليل الفحوصات عالية الدقة مثل التصوير بالرنين المغناطيسي والأشعة المقطعية. فهي تمكّن نماذج تجزئة الصور تحديد الأورام أو الأعضاء بدقة، مما يساعد أطباء الأشعة في إجراء تشخيصات أسرع وأكثر دقة. هذه هذه التكنولوجيا حيوية لتقدم الذكاء الاصطناعي في مجال الرعاية الصحية.

الاستفادة من وحدات معالجة الرسومات لتدريب النماذج

عند استخدام ultralytics الحزمة، GPU استخدام وحدة معالجة GPU لتسريع عملية التدريب بشكل كبير. تدعم المكتبة ما يلي الكشف التلقائي عن الأجهزة، ولكن يمكن للمستخدمين أيضًا تحديد الجهاز يدويًا لضمان GPU .

يوضح المثال التالي كيفية تدريب نموذج YOLO26 على أول GPU متاحة:

from ultralytics import YOLO

# Load the latest YOLO26 model
model = YOLO("yolo26n.pt")

# Train the model using the GPU (device=0)
# This utilizes parallel processing to speed up training on the COCO8 dataset
results = model.train(data="coco8.yaml", epochs=5, device=0)

التحسين ونشر الحافة

بالإضافة إلى التدريب، تلعب وحدات معالجة الرسومات (GPU) دورًا مهمًا في نشر النماذج. بالنسبة للتطبيقات التي تتطلب استنتاجًا في الوقت الفعلي، غالبًا ما يتم تحسين النماذج المدربة باستخدام أدوات مثل TensorRT أو ONNX . تعمل هذه الأدوات على إعادة هيكلة الشبكة العصبية لتعظيم الهندسة المعمارية المحددة لوحدة GPU، مما يقلل من زمن الاستجابة. علاوة على ذلك، أدى ظهور الذكاء الاصطناعي المتطور إلى تطوير وحدات معالجة رسومات (GPU) مدمجة وموفرة للطاقة قادرة على تشغيل مهام الرؤية الحاسوبية (CV) المتطورة مباشرة على الأجهزة المحلية ، مما يقلل من الاعتماد على الاتصال بالسحابة.