CPU

Una unidad central de procesamiento (CPU) es el componente principal de un ordenador que actúa como su "cerebro", responsable de interpretar y ejecutar instrucciones de hardware y software. En el contexto de la inteligencia artificial (IA), la CPU desempeña un papel fundamental en el manejo de datos, la orquestación del sistema y la ejecución de inferencias, particularmente en dispositivos de borde (edge) donde la eficiencia energética es crítica. Aunque el hardware especializado como las GPU suele asociarse al trabajo pesado de entrenar modelos de aprendizaje profundo, la CPU sigue siendo indispensable para el flujo de trabajo general de aprendizaje automático (ML).

Link to this sectionEl papel de las CPU en los flujos de trabajo de IA#

Aunque las GPU son famosas por su paralelismo masivo durante el entrenamiento, la CPU es la herramienta de trabajo para muchas etapas esenciales del ciclo de vida de la visión artificial (CV). Su arquitectura, normalmente basada en diseños x86 (Intel, AMD) o ARM, está optimizada para el procesamiento secuencial y el control lógico complejo.

• Preprocesamiento de datos: Antes de que una red neuronal pueda aprender, los datos deben prepararse. Las CPU sobresalen en tareas como la carga de archivos, la limpieza de datos y transformaciones complejas usando bibliotecas como NumPy y OpenCV.
• Inferencia en el borde (Edge): Para el despliegue en el mundo real, ejecutar modelos en servidores masivos no siempre es viable. Las CPU permiten un despliegue de modelos eficiente en hardware de consumo, como ejecutar Ultralytics YOLO26 en un portátil o en una Raspberry Pi.
• Postprocesamiento: Después de que un modelo genera probabilidades brutas, la CPU suele encargarse de la lógica final, como la Supresión no máxima (NMS) en la detección de objetos, para filtrar predicciones duplicadas y refinar los resultados.

Link to this sectionCPU vs. GPU vs. TPU#

Entender el panorama del hardware es crítico para optimizar las operaciones de aprendizaje automático (MLOps). Estos procesadores difieren significativamente en su arquitectura y casos de uso ideales.

• CPU: Diseñada para la versatilidad y la lógica compleja. Cuenta con unos pocos núcleos potentes que procesan las tareas de forma secuencial. Es ideal para la aumentación de datos, la gestión de flujos de trabajo y la inferencia de baja latencia en lotes pequeños.
• GPU (Unidad de procesamiento gráfico): Creadas originalmente para gráficos, las GPU tienen miles de núcleos más pequeños diseñados para el procesamiento paralelo. Son el estándar para el entrenamiento de modelos porque pueden realizar multiplicaciones de matrices mucho más rápido que una CPU.
• TPU (Unidad de procesamiento tensorial): Un circuito especializado (ASIC) desarrollado por Google Cloud específicamente para cálculos de tensores. Aunque es muy eficiente para cargas de trabajo específicas, carece de la flexibilidad de uso general de una CPU.

Link to this sectionAplicaciones en el mundo real#

Las CPU son a menudo el hardware preferido para aplicaciones donde el coste, la disponibilidad y el consumo de energía son más importantes que la necesidad de un rendimiento bruto masivo.

1. Cámaras de seguridad inteligentes: En sistemas de alarma de seguridad, las cámaras suelen procesar los flujos de vídeo localmente. Un modelo de detección de objetos basado en CPU puede identificar a una persona o un vehículo y activar una alerta sin enviar vídeo a la nube, preservando el ancho de banda y la privacidad del usuario.

2. Automatización industrial: En las plantas de producción, los sistemas de mantenimiento predictivo utilizan CPU para monitorizar los datos de los sensores de la maquinaria. Estos sistemas analizan las vibraciones o los picos de temperatura en tiempo real para predecir fallos, garantizando una automatización de la fabricación fluida sin necesidad de costosos clústeres de GPU.

Link to this sectionEjecución de inferencias en CPU con Ultralytics#

Los desarrolladores suelen probar modelos en CPU para verificar la compatibilidad con entornos de computación sin servidor (serverless) o dispositivos de baja potencia. La API de Ultralytics te permite apuntar fácilmente a la CPU, asegurando que tu aplicación se ejecute en cualquier lugar.

El siguiente ejemplo demuestra cómo cargar un modelo ligero y ejecutar la inferencia específicamente en la CPU:

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)

Para mejorar aún más el rendimiento en las CPU de Intel, los desarrolladores pueden exportar sus modelos al formato OpenVINO, que optimiza la estructura de la red neuronal específicamente para la arquitectura x86. Para gestionar los conjuntos de datos y orquestar estos despliegues, herramientas como la Plataforma Ultralytics simplifican el flujo de trabajo desde la anotación hasta la ejecución en el borde.