CPU

Une unité centrale de traitement (CPU) est le composant principal d'un ordinateur qui agit comme son « cerveau », responsable de l'interprétation et de l'exécution des instructions matérielles et logicielles. 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 cruciale. Bien que le matériel spécialisé comme les GPU soit souvent associé au travail intensif d'entraînement des modèles d'apprentissage profond, le CPU reste indispensable pour l'ensemble du pipeline d'apprentissage automatique (ML).

Link to this sectionLe rôle des CPU dans les flux de travail IA#

Bien que les GPU soient réputés pour leur parallélisme massif durant 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 neuronal puisse apprendre, les données doivent être préparées. Les CPU excellent dans des tâches telles que le chargement de fichiers, le nettoyage de données et les transformations complexes utilisant des bibliothèques comme NumPy et OpenCV.
• Inférence en périphérie : Pour un déploiement dans le monde réel, exécuter des modèles sur des serveurs massifs n'est pas toujours réalisable. Les CPU permettent un déploiement de modèle efficace sur du 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 non-maximum suppression (NMS) dans la détection d'objets, pour filtrer les prédictions en double et affiner les résultats.

Link to this sectionCPU vs GPU vs TPU#

Comprendre le paysage matériel est essentiel pour optimiser les opérations d'apprentissage automatique (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 de données, la gestion de pipeline et l'inférence à faible latence sur de petits lots.
• GPU (Graphics Processing Unit) : Conçus à l'origine pour les graphismes, les GPU possèdent des milliers de cœurs plus petits conçus pour le traitement parallèle. Ils constituent 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 calculs de tenseurs. Bien que très efficace pour des charges de travail spécifiques, il manque de la flexibilité polyvalente d'un CPU.

Link to this sectionApplications 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 caméras 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 : Dans les ateliers de fabrication, les systèmes de maintenance prédictive utilisent des CPU pour surveiller les données des capteurs des machines. Ces systèmes analysent les vibrations ou les pics de température en temps réel pour prédire les pannes, assurant une automatisation de la fabrication fluide sans avoir besoin de clusters GPU coûteux.

Link to this sectionExécuter l'inférence sur CPU avec Ultralytics#

Les développeurs testent souvent des modèles sur des CPU pour vérifier la compatibilité avec des environnements d'informatique sans serveur ou des 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 davantage les performances sur les CPU Intel, les développeurs peuvent exporter leurs modèles au format OpenVINO, qui optimise la structure du réseau neuronal spécifiquement pour l'architecture x86. Pour gérer les jeux de données et orchestrer ces déploiements, des outils comme la plateforme Ultralytics simplifient le flux de travail, de l'annotation à l'exécution en périphérie.