GPU (Graphics Processing Unit)

Una Unidad de Procesamiento Gráfico (GPU) es un circuito electrónico especializado diseñado originalmente para acelerar la manipulación y creación de imágenes en un búfer de trama para la salida de pantalla. Aunque sus raíces se encuentran en la renderización de gráficos por ordenador para videojuegos y visualización profesional, las GPU han evolucionado hasta convertirse en el motor fundamental de la moderna Inteligencia Artificial (IA). A diferencia de un procesador estándar que utiliza unos pocos núcleos potentes para gestionar tareas de forma secuencial, la arquitectura de una GPU se compone de miles de núcleos más pequeños y eficientes diseñados para gestionar múltiples tareas simultáneamente. Esta capacidad, conocida como computación paralela, las hace excepcionalmente eficientes para las operaciones masivas de matrices y vectores que sustentan el Aprendizaje Profundo (DL) y las Redes Neuronales (NN) complejas.

Link to this sectionAceleración de cargas de trabajo de IA#

La razón principal por la que las GPU son indispensables para el Aprendizaje Automático (ML) es su capacidad para realizar multiplicaciones de matrices de alta velocidad. Los marcos de trabajo de aprendizaje profundo como PyTorch y TensorFlow están optimizados específicamente para aprovechar esta aceleración de hardware. Esto resulta en tiempos significativamente reducidos para el entrenamiento de modelos, transformando a menudo lo que serían semanas de computación en un procesador estándar en horas en una GPU. El rendimiento computacional de estos dispositivos se mide normalmente en FLOPS (operaciones de punto flotante por segundo), una métrica crítica para medir la capacidad del hardware para manejar las rigurosas demandas de modelos de última generación como YOLO26.

Link to this sectionDistinciones de hardware: GPU vs. CPU vs. TPU#

Para entender el panorama del hardware, resulta útil distinguir la GPU de otras unidades de procesamiento:

• CPU (Unidad Central de Procesamiento): El "cerebro" de propósito general de un ordenador. Las CPU destacan en el procesamiento secuencial y en la ramificación lógica compleja, pero son menos eficientes para el paralelismo masivo requerido por el entrenamiento de IA a gran escala.
• GPU (Unidad de Procesamiento Gráfico): El estándar de la industria para entrenamiento e inferencia. Fabricantes líderes como NVIDIA utilizan ecosistemas de software como CUDA para permitir que los desarrolladores programen la GPU directamente para computación de propósito general.
• TPU (Unidad de Procesamiento de Tensor): Un Circuito Integrado de Aplicación Específica (ASIC) desarrollado específicamente para el aprendizaje automático de redes neuronales. Aunque son altamente eficientes para operaciones tensoriales específicas, son menos versátiles que las GPU para tareas informáticas más amplias.

Link to this sectionAplicaciones en el mundo real#

La implementación de GPU de alto rendimiento ha impulsado innovaciones en diversas industrias:

• Vehículos Autónomos: Los coches autónomos deben procesar gigabytes de datos procedentes de cámaras, radares y sensores LiDAR cada segundo. Las GPU permiten la inferencia en tiempo real, lo que permite al ordenador de a bordo del vehículo ejecutar modelos de Detección de Objetos que identifican peatones, señales de tráfico y obstáculos instantáneamente.
• Análisis de Imágenes Médicas: En el sector sanitario, las GPU aceleran el procesamiento de escáneres de alta resolución como resonancias magnéticas y tomografías computarizadas. Permiten que sofisticados algoritmos de Segmentación de Imágenes delimiten con precisión tumores u órganos, ayudando a los radiólogos a realizar diagnósticos más rápidos y precisos sin depender únicamente de la inspección manual.

Link to this sectionEntrenamiento con GPU#

Cuando utilizas el paquete ultralytics, usar una GPU es sencillo y altamente recomendable para flujos de trabajo eficientes. La biblioteca admite la detección automática de dispositivos, pero también puedes especificar el dispositivo explícitamente.

El siguiente ejemplo demuestra cómo entrenar un modelo YOLO26 en la primera GPU disponible:

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 sectionDespliegue y optimización#

Más allá del entrenamiento, las GPU juegan un papel crucial en el Despliegue de Modelos. Para maximizar la eficiencia durante la inferencia, los modelos se suelen convertir a formatos optimizados como TensorRT, que reestructura la red neuronal para alinearla perfectamente con la arquitectura específica de la GPU, reduciendo la latencia. Para los desarrolladores que no tienen acceso a hardware local de gama alta, la Plataforma Ultralytics ofrece soluciones basadas en la nube para gestionar conjuntos de datos y entrenar modelos en potentes clústeres de GPU remotos. Esta accesibilidad impulsa la innovación en Edge AI, permitiendo que tareas complejas de Visión por Computador (CV) se desplieguen en dispositivos más pequeños y energéticamente eficientes sobre el terreno.