CPU

Una unidad central de procesamiento (CPU) es el componente principal de un ordenador que actúa como su «cerebro» y se encarga de interpretar y ejecutar instrucciones del hardware y el software. En el contexto de la inteligencia artificial (AI), la CPU desempeña un papel fundamental en la gestión de datos, la orquestación del sistema y la ejecución de inferencias, especialmente en dispositivos edge donde la eficiencia energética es crítica. Aunque el hardware especializado, como las GPU, suele asociarse al procesamiento intensivo del entrenamiento de modelos de deep learning, la CPU sigue siendo indispensable para todo el flujo de machine learning (ML).

El papel de las CPU en los flujos de trabajo de IA#

Aunque las GPU son célebres por su enorme paralelismo durante el entrenamiento, la CPU es el caballo de batalla de muchas etapas esenciales del ciclo de vida de la visión por ordenador (CV). Su arquitectura, basada normalmente en diseños x86 (Intel, AMD) o ARM, está optimizada para el procesamiento secuencial y el control de lógica compleja.

• Preprocesamiento de datos: Antes de que una red neuronal pueda aprender, es necesario preparar los datos. Las CPU destacan en tareas como la carga de archivos, la limpieza de datos y las transformaciones complejas mediante bibliotecas como NumPy y OpenCV.
• Inferencia en edge: Para la implementación en el mundo real, ejecutar modelos en servidores enormes no siempre es viable. Las CPU permiten una implementación de modelos eficiente en hardware de consumo, como ejecutar Ultralytics YOLO26 en un portátil o una Raspberry Pi.
• Postprocesamiento: Después de que un modelo genere probabilidades sin procesar, la CPU suele encargarse de la lógica final, como la supresión no máxima (NMS) en la detección de objetos, para filtrar predicciones duplicadas y perfeccionar los resultados.

CPU frente a GPU y TPU#

Comprender el panorama del hardware es fundamental para optimizar las operaciones de machine learning (MLOps). Estos procesadores se diferencian considerablemente en su arquitectura y en los casos de uso ideales.

• CPU: Diseñada para ofrecer versatilidad y gestionar lógica compleja. Cuenta con unos pocos núcleos potentes que procesan las tareas secuencialmente. Es la opción más adecuada para la ampliación de datos, la gestión de flujos de trabajo y la inferencia de baja latencia en lotes pequeños.
• GPU (unidad de procesamiento gráfico): Diseñadas originalmente para gráficos, las GPU tienen miles de núcleos más pequeños concebidos para el procesamiento paralelo. Son el estándar para el entrenamiento de modelos, ya que 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 las operaciones matemáticas con tensores. Aunque es muy eficiente para determinadas cargas de trabajo, carece de la flexibilidad de propósito general de una CPU.

Aplicaciones en el mundo real#

Las CPU suelen ser el hardware elegido para aplicaciones en las que el coste, la disponibilidad y el consumo energético tienen más peso que la necesidad de un rendimiento bruto masivo.

1. Cámaras de seguridad inteligentes: En los sistemas de alarma de seguridad, las cámaras suelen procesar las transmisiones 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 el vídeo a la nube, preservando el ancho de banda y la privacidad del usuario.

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

Ejecución de inferencias en CPU con Ultralytics#

Los desarrolladores suelen probar los modelos en CPU para verificar la compatibilidad con entornos de computación sin servidor o dispositivos de bajo consumo. La API de Ultralytics permite seleccionar fácilmente la CPU como destino, lo que garantiza que tu aplicación se ejecute en cualquier lugar.

El siguiente ejemplo muestra cómo cargar un modelo ligero y ejecutar inferencias 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 CPU 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 conjuntos de datos y orquestar estas implementaciones, herramientas como Ultralytics Platform simplifican el flujo de trabajo desde la anotación hasta la ejecución en edge.