CPU

Une unité centrale de traitement (CPU) est le composant principal d'un ordinateur qui agit comme son « cerveau », chargé d'interpréter et d'exécuter les instructions du matériel et des logiciels. Dans le contexte de l'intelligence artificielle (IA), le CPU joue un rôle fondamental dans le traitement des données, l'orchestration du système et l'exécution de l'inférence, en particulier sur les appareils de périphérie où l'efficacité énergétique est critique. Bien que le matériel spécialisé comme les GPU soit souvent associé au gros travail d'entraînement des modèles de deep learning, le CPU reste indispensable pour l'ensemble du pipeline de machine learning (ML).

Le rôle des CPU dans les flux de travail IA#

Bien que les GPU soient célébrés pour leur parallélisme massif lors de l'entraînement, le CPU est le cheval de bataille de nombreuses étapes essentielles du cycle de vie de la vision par ordinateur (CV). Son architecture, généralement basée sur des conceptions x86 (Intel, AMD) ou ARM, est optimisée pour le traitement séquentiel et le contrôle logique complexe.

• Prétraitement des données : Avant qu'un réseau de neurones puisse apprendre, les données doivent être préparées. Les CPU exceller dans les tâches telles que le chargement de fichiers, le nettoyage des données et les transformations complexes à l'aide de bibliothèques comme NumPy et OpenCV.
• Inférence en périphérie : Pour le déploiement dans le monde réel, l'exécution de modèles sur des serveurs massifs n'est pas toujours réalisable. Les CPU permettent un déploiement de modèles efficace sur le matériel grand public, comme l'exécution d'Ultralytics YOLO26 sur un ordinateur portable ou un Raspberry Pi.
• Post-traitement : Après qu'un modèle a produit des probabilités brutes, le CPU gère souvent la logique finale, telle que la suppression non maximale (NMS) dans la détection d'objets, pour filtrer les prédictions en double et affiner les résultats.

CPU vs GPU vs TPU#

Comprendre le paysage matériel est essentiel pour optimiser les opérations de machine learning (MLOps). Ces processeurs diffèrent considérablement par leur architecture et leurs cas d'utilisation idéaux.

• CPU : Conçu pour la polyvalence et la logique complexe. Il dispose de quelques cœurs puissants qui traitent les tâches de manière séquentielle. Il est idéal pour l'augmentation des données, la gestion de pipeline et l'inférence à faible latence sur de petits lots.
• GPU (Graphics Processing Unit) : À l'origine conçus pour les graphismes, les GPU possèdent des milliers de cœurs plus petits conçus pour le traitement parallèle. Ils sont la norme pour l'entraînement de modèles car ils peuvent effectuer des multiplications de matrices beaucoup plus rapidement qu'un CPU.
• TPU (Tensor Processing Unit) : Un circuit spécialisé (ASIC) développé par Google Cloud spécifiquement pour les mathématiques tensorielles. Bien que très efficace pour des charges de travail spécifiques, il lui manque la flexibilité à usage général d'un CPU.

Applications concrètes#

Les CPU sont fréquemment le matériel de choix pour les applications où le coût, la disponibilité et la consommation d'énergie l'emportent sur le besoin d'un débit brut massif.

1. Caméras de sécurité intelligentes : Dans les systèmes d'alarme de sécurité, les cameras traitent souvent les flux vidéo localement. Un modèle de détection d'objets basé sur CPU peut identifier une personne ou un véhicule et déclencher une alerte sans envoyer de vidéo dans le cloud, préservant ainsi la bande passante et la confidentialité des utilisateurs.

2. Automatisation industrielle : Sur les sols d'usine, les systèmes de maintenance prédictive utilisent des CPU pour surveiller les données de capteurs provenant des machines. Ces systèmes analysent les vibrations ou les pics de température en temps réel pour prédire les pannes, garantissant ainsi une automatisation de la fabrication fluide sans nécessiter de clusters GPU coûteux.

Exécuter l'inférence sur CPU avec Ultralytics#

Les développeurs testent souvent des modèles sur des CPU pour vérifier la compatibilité avec les environnements de calcul sans serveur ou les appareils à faible consommation. L'API Ultralytics te permet de cibler facilement le CPU, garantissant que ton application s'exécute partout.

L'exemple suivant montre comment charger un modèle léger et exécuter l'inférence spécifiquement sur le 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)

Pour améliorer encore les performances sur les CPU Intel, les développeurs peuvent exporter leurs modèles au format OpenVINO, ce qui optimise la structure du réseau de neurones spécifiquement pour l'architecture x86. Pour gérer les datasets et orchestrer ces déploiements, des outils comme Ultralytics Platform simplifient le flux de travail, de l'annotation à l'exécution en périphérie.