GPU (Graphics Processing Unit)

تُعد وحدة معالجة الرسومات (GPU) دائرة إلكترونية متخصصة صُممت في الأصل لتسريع معالجة وإنشاء الصور في مخزن الإطارات (frame buffer) لعرض المخرجات. ورغم أن جذورها تكمن في تصيير رسومات الحاسوب للألعاب والتصور الاحترافي، إلا أن وحدات GPU تطورت لتصبح المحرك الأساسي لـ الذكاء الاصطناعي (AI) الحديث. وعلى عكس المعالج القياسي الذي يستخدم عدداً قليلاً من الأنوية القوية للتعامل مع المهام بالتسلسل، تتكون بنية GPU من آلاف الأنوية الصغيرة والفعالة المصممة للتعامل مع مهام متعددة في آن واحد. هذه القدرة، المعروفة بـ الحوسبة المتوازية، تجعلها فعالة بشكل استثنائي في إجراء العمليات المصفوفية والمتجهة الضخمة التي تقوم عليها التعلم العميق (DL) والشبكات العصبية (NN) المعقدة.

Link to this sectionتسريع أعباء عمل الذكاء الاصطناعي#

السبب الرئيسي الذي يجعل وحدات GPU لا غنى عنها في تعلم الآلة (ML) هو قدرتها على إجراء عمليات ضرب المصفوفات عالية السرعة. تم تحسين أطر عمل التعلم العميق مثل PyTorch وTensorFlow خصيصاً للاستفادة من تسريع العتاد هذا. يؤدي هذا إلى تقليل وقت تدريب النموذج بشكل كبير، وغالباً ما يحول ما كان سيستغرق أسابيع من الحوسبة على معالج قياسي إلى ساعات فقط على GPU. تُقاس الإنتاجية الحوسبية لهذه الأجهزة عادةً بـ FLOPS (عمليات الفاصلة العائمة في الثانية)، وهو مقياس بالغ الأهمية لتقييم قدرة العتاد على التعامل مع المتطلبات الصارمة لنماذج متطورة مثل YOLO26.

Link to this sectionالفروقات في العتاد: GPU مقابل CPU مقابل TPU#

لفهم مشهد العتاد، من المفيد التمييز بين GPU ووحدات المعالجة الأخرى:

• CPU (وحدة المعالجة المركزية): "عقل" الحاسوب متعدد الأغراض. تتفوق وحدات CPU في المعالجة المتسلسلة وتفرع المنطق المعقد ولكنها أقل كفاءة في التعامل مع التوازي الضخم المطلوب لتدريب الذكاء الاصطناعي واسع النطاق.
• GPU (وحدة معالجة الرسومات): المعيار الصناعي للتدريب والاستنتاج. تستخدم الشركات المصنعة الرائدة مثل NVIDIA أنظمة برمجية مثل CUDA للسماح للمطورين ببرمجة GPU مباشرة لأغراض الحوسبة العامة.
• TPU (وحدة معالجة الموتر): دائرة متكاملة خاصة بالتطبيق (ASIC) طُورت خصيصاً لتعلم الآلة بالشبكات العصبية. ورغم كفاءتها العالية في عمليات موتر محددة، إلا أنها أقل مرونة من وحدات GPU في مهام الحوسبة الأوسع.

Link to this sectionتطبيقات العالم الحقيقي#

لقد أدى تطبيق وحدات GPU عالية الأداء إلى دفع الابتكارات عبر مختلف الصناعات:

• المركبات ذاتية القيادة: يجب أن تعالج السيارات ذاتية القيادة غيغابايت من البيانات الواردة من الكاميرات والرادار ومستشعرات LiDAR كل ثانية. تُمكّن وحدات GPU من إجراء الاستنتاج في الوقت الفعلي، مما يسمح لحاسوب المركبة المدمج بتشغيل نماذج اكتشاف الكائنات التي تحدد المشاة وعلامات المرور والعوائق بشكل فوري.
• تحليل الصور الطبية: في الرعاية الصحية، تسرع وحدات GPU معالجة المسوحات عالية الدقة مثل الرنين المغناطيسي (MRI) والأشعة المقطعية (CT). وهي تُمكّن خوارزميات تجزئة الصور المتطورة من تحديد الأورام أو الأعضاء بدقة، مما يساعد أطباء الأشعة على إجراء تشخيصات أسرع وأكثر دقة دون الاعتماد حصرياً على الفحص اليدوي.

Link to this sectionالتدريب باستخدام وحدات GPU#

عند استخدام حزمة ultralytics، يكون استخدام GPU أمراً مباشراً وموصى به بشدة لسير العمل الفعال. تدعم المكتبة الكشف التلقائي عن الجهاز، ولكن يمكن للمستخدمين أيضاً تحديد الجهاز بشكل صريح.

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

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)

Link to this sectionالنشر والتحسين#

بجانب التدريب، تلعب وحدات GPU دوراً حاسماً في نشر النموذج. لزيادة الكفاءة أثناء الاستنتاج، غالباً ما يتم تحويل النماذج إلى تنسيقات محسنة مثل TensorRT، التي تعيد هيكلة الشبكة العصبية لتتوافق تماماً مع بنية GPU المحددة، مما يقلل من زمن الانتقال. بالنسبة للمطورين الذين لا يستطيعون الوصول إلى عتاد محلي عالي الأداء، توفر منصة Ultralytics حلولاً سحابية لإدارة مجموعات البيانات وتدريب النماذج على مجموعات GPU بعيدة وقوية. تدفع هذه الإمكانية عجلة الابتكار في ذكاء الحافة (Edge AI)، مما يسمح بنشر مهام رؤية الحاسوب (CV) المعقدة على أجهزة أصغر وأكثر كفاءة في استهلاك الطاقة في الميدان.