GPU (Graphics Processing Unit)

وحدة معالجة الرسوميات (GPU) هي دائرة إلكترونية متخصصة صُممت في الأصل لتسريع معالجة وإنشاء الصور في مخزن الإطارات لعرض المخرجات. وفي حين أن جذورها تعود إلى تصيير رسوميات الحاسوب لأغراض الألعاب والتصور المهني، فقد تطورت وحدات معالجة الرسوميات لتصبح المحرك الأساسي لـ الذكاء الاصطناعي (AI) الحديث. وخلافاً للمسدّس أو المعالج القياسي الذي يستخدم بضع نوى قوية لمعالجة المهام بشكل تسلسلي، تتألف بنية وحدة معالجة الرسوميات من آلاف النوى الأصغر والأكثر كفاءة المصممة لمعالجة مهام متعددة في آن واحد. هذه القدرة، المعروفة بـ الحوسبة المتوازية، تجعلها فائقة الكفاءة للعمليات الضخمة للمصفوفات والمتجهات التي تشكل الأساس لكل من التعلم العميق (DL) والشبكات العصبية (NN) المعقدة.

تسريع أعباء عمل الذكاء الاصطناعي#

السبب الرئيسي وراء لا غنى عن وحدات معالجة الرسوميات في التعلم الآلي (ML) هو قدرتها على إجراء عمليات ضرب المصفوفات عالية السرعة. تم تحسين أطر عمل التعلم العميق مثل PyTorch وTensorFlow خصيصاً للاستفادة من تسريع الأجهزة هذا. وينتج عن ذلك تقليل كبير في أوقات تدريب النماذج، وغالباً ما يتحول ما قد يكون أسابيع من الحوسبة على معالج قياسي إلى ساعات على وحدة معالجة الرسوميات. عادةً ما يُقاس الإنتاج الحوسبي لهذه الأجهزة بوحدة FLOPS (العمليات النقطية العائمة في الثانية)، وهو مقياس حاسم لتقييم قدرة الأجهزة على التعامل مع المتطلبات الصارمة للنماذج الحديثة مثل YOLO26.

الفروقات في العتاد: GPU مقابل CPU مقابل TPU#

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

• CPU (Central Processing Unit): "الدماغ" العام للحاسوب. تتفوق وحدات المعالجة المركزية في المعالجة التسلسلية وتفريغ المنطق المعقد، لكنها أقل كفاءة في التوازي الهائل الذي تتطلبه تدريبات الذكاء الاصطناعي على نطاق واسع.
• GPU (Graphics Processing Unit): المعيار الصناعي للتدريب والاستدلال. تستخدم الشركات المصنعة الرائدة مثل NVIDIA منظومات برمجية مثل CUDA لتمكين المطورين من برمجة وحدة معالجة الرسوميات مباشرة للحوسبة للأغراض العامة.
• TPU (Tensor Processing Unit): دائرة متكاملة خاصة بالتطبيقات (ASIC) طُوِّرت خصيصاً لتعلم آلة الشبكات العصبية. وفي حين أنها شديدة الكفاءة لعمليات التنسور المحددة، إلا أنها أقل مرونة مقارنة بوحدات معالجة الرسوميات لمهام الحوسبة الأوسع.

تطبيقات العالم الحقيقي#

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

• المركبات ذاتية القيادة: يجب على السيارات ذاتية القيادة معالجة غيغابايتات من البيانات الواردة من الكاميرات والرادار ومستشعر LiDAR في كل ثانية. تمكن وحدات معالجة الرسوميات الاستدلال في الوقت الفعلي، مما يسمح لحاسوب المركبة بتشغيل نماذج اكتشاف الكائنات التي تحدد المشاة، وإشارات المرور، والعوائق بشكل فوري.
• تحليل الصور الطبية: في مجال الرعاية الصحية، تسرّع وحدات معالجة الرسوميات معالجة الفحوصات عالية الدقة مثل التصوير بالرنين المغناطيسي والأشعة المقطعية. وهي تتيح خوارزميات تقسيم الصور المتطورة لتحديد الأورام أو الأعضاء بدقة، مما يساعد أخصائيي الأشعة على إجراء تشخيصات أسرع وأكثر دقة دون الاعتماد حصرياً على الفحص اليدوي.

التدريب باستخدام وحدات GPU#

عند استخدام حزمة ultralytics، فإن استخدام وحدة معالجة الرسوميات يُعد أمراً مباشراً وموصى به بشدة لسير العمل بكفاءة. تدعم المكتبة الكشف التلقائي عن الأجهزة، ولكن يمكن للمستخدمين أيضاً تحديد الجهاز بشكل صريح.

يوضح المثال التالي كيفية تدريب نموذج YOLO26 على أول وحدة معالجة رسوميات 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، تلعب وحدات معالجة الرسوميات دوراً حاسماً في نشر النماذج. لتعظيم الكفاءة أثناء الاستدلال، غالباً ما يتم تحويل النماذج إلى صيغ محسنة مثل TensorRT، والتي تعيد هيكلة الشبكة العصبية لتتواءم تماماً مع بنية وحدة معالجة الرسوميات المحددة، مما يقلل من زمن الانتقال. بالنسبة للمطورين الذين لا يستطيعون الوصول إلى أجهزة محلية متطورة، تقدم منصة Ultralytics حلولاً تعتمد على السحابة لإدارة مجموعات البيانات وتدريب النماذج على مجموعات وحدات معالجة رسوميات قوية بعيدة. تدفع هذه الإتاحة الابتكار قدماً في مجال الذكاء الاصطناعي الحافي، مما يسمح بنشر مهام رؤية الحاسوب (CV) المعقدة على أجهزة أصغر وأكثر كفاءة في استهلاك الطاقة في الميدان.