CPU

Uma Unidade Central de Processamento (CPU) é o componente principal de um computador que atua como o seu "cérebro", sendo responsável por interpretar e executar instruções de hardware e software. No contexto de artificial intelligence (AI), a CPU desempenha um papel fundamental no tratamento de dados, na orquestração do sistema e na execução de inferência, particularmente em dispositivos de borda onde a eficiência energética é crítica. Embora hardware especializado como GPUs seja frequentemente associado ao trabalho pesado de treinar modelos de deep learning, a CPU continua sendo indispensável para o pipeline geral de machine learning (ML).

O papel das CPUs nos fluxos de trabalho de AI#

Embora as GPUs sejam celebradas pelo seu paralelismo massivo durante o treino, a CPU é a base para muitas etapas essenciais do ciclo de vida de computer vision (CV). A sua arquitetura, tipicamente baseada em designs x86 (Intel, AMD) ou ARM, é otimizada para processamento sequencial e controlo de lógica complexa.

• Pré-processamento de Dados: Antes de uma rede neuronal poder aprender, os dados devem ser preparados. As CPUs destacam-se em tarefas como carregamento de ficheiros, data cleaning e transformações complexas utilizando bibliotecas como NumPy e OpenCV.
• Inferência de Borda: Para a implementação no mundo real, executar modelos em servidores massivos nem sempre é viável. As CPUs permitem a eficiente model deployment em hardware de consumidor, tal como executar o Ultralytics YOLO26 num portátil ou num Raspberry Pi.
• Pós-processamento: Depois de um modelo gerar probabilidades em bruto, a CPU lida frequentemente com a lógica final, tal como a Non-Maximum Suppression (NMS) na deteção de objetos, para filtrar previsões duplicadas e refinar os resultados.

CPU vs. GPU vs. TPU#

Compreender o panorama do hardware é crítico para otimizar machine learning operations (MLOps). Estes processadores diferem significativamente na sua arquitetura e nos casos de uso ideais.

• CPU: Concebida para versatilidade e lógica complexa. Apresenta alguns núcleos potentes que processam tarefas sequencialmente. É ideal para data augmentation, gestão de pipelines e inferência de baixa latência em lotes pequenos.
• GPU (Graphics Processing Unit): Originalmente para gráficos, as GPUs têm milhares de núcleos mais pequenos concebidos para parallel processing. São o padrão para model training porque conseguem realizar multiplicações de matrizes muito mais rapidamente do que uma CPU.
• TPU (Tensor Processing Unit): Um circuito especializado (ASIC) desenvolvido pelo Google Cloud especificamente para matemática de tensores. Embora altamente eficiente para cargas de trabalho específicas, carece da flexibilidade de uso geral de uma CPU.

Aplicações no Mundo Real#

As CPUs são frequentemente o hardware de escolha para aplicações onde o custo, a disponibilidade e o consumo de energia superam a necessidade de um throughput bruto massivo.

1. Câmaras de Segurança Inteligentes: Em security alarm systems, as câmaras processam frequentemente feeds de vídeo localmente. Um modelo de object detection baseado em CPU pode identificar uma pessoa ou veículo e acionar um alerta sem enviar vídeo para a nuvem, preservando largura de banda e privacidade do utilizador.

2. Automação Industrial: Em chão de fábrica, sistemas de predictive maintenance utilizam CPUs para monitorizar dados de sensores de maquinaria. Estes sistemas analisam vibrações ou picos de temperatura em tempo real para prever falhas, garantindo uma manufacturing automation sem problemas e sem a necessidade de clusters de GPU caros.

Executando inferência na CPU com o Ultralytics#

Os programadores testam frequentemente modelos em CPUs para verificar a compatibilidade com ambientes de serverless computing ou dispositivos de baixo consumo. A API do Ultralytics permite-te apontar facilmente para a CPU, garantindo que a tua aplicação é executada em qualquer lugar.

O exemplo a seguir demonstra como carregar um modelo leve e executar a inferência especificamente na 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 melhorar ainda mais o desempenho em CPUs Intel, os programadores podem exportar os seus modelos para o formato OpenVINO, que otimiza a estrutura da rede neuronal especificamente para a arquitetura x86. Para gerir conjuntos de dados e orquestrar estas implementações, ferramentas como a Ultralytics Platform simplificam o fluxo de trabalho desde a anotação até à execução na borda.