CPU

A Central Processing Unit (CPU) é o componente principal de um computador que atua como seu "cérebro", sendo responsável por interpretar e executar instruções de hardware e software. No contexto da inteligência artificial (AI), a CPU desempenha um papel fundamental no processamento de dados, orquestração do sistema e execução de inferência, especialmente em dispositivos de borda onde a eficiência energética é crítica. Embora hardwares especializados como GPUs sejam frequentemente associados ao trabalho pesado de treinamento de modelos de deep learning, a CPU permanece indispensável para todo o pipeline de machine learning (ML).

Link to this sectionO papel das CPUs nos fluxos de trabalho de AI#

Embora as GPUs sejam celebradas pelo seu enorme paralelismo durante o treinamento, a CPU é o cavalo de batalha para muitas etapas essenciais do ciclo de vida da visão computacional (CV). Sua arquitetura, tipicamente baseada em projetos x86 (Intel, AMD) ou ARM, é otimizada para processamento sequencial e controle lógico complexo.

• Pré-processamento de dados: Antes que uma rede neural possa aprender, os dados precisam ser preparados. As CPUs se destacam em tarefas como carregamento de arquivos, limpeza de dados e transformações complexas usando bibliotecas como NumPy e OpenCV.
• Inferência de borda: Para implantações no mundo real, executar modelos em servidores massivos nem sempre é viável. As CPUs permitem uma implantação de modelo eficiente em hardware de consumo, como executar o Ultralytics YOLO26 em um laptop ou em um Raspberry Pi.
• Pós-processamento: Após um modelo gerar probabilidades brutas, a CPU geralmente lida com a lógica final, como a Non-Maximum Suppression (NMS) na detecção de objetos, para filtrar previsões duplicadas e refinar os resultados.

Link to this sectionCPU vs. GPU vs. TPU#

Entender o panorama do hardware é fundamental para otimizar as operações de machine learning (MLOps). Esses processadores diferem significativamente em sua arquitetura e casos de uso ideais.

• CPU: Projetada para versatilidade e lógica complexa. Possui alguns núcleos potentes que processam tarefas sequencialmente. É a melhor opção para aumento de dados, gerenciamento de pipeline e inferência de baixa latência em pequenos lotes.
• GPU (Graphics Processing Unit): Originalmente para gráficos, as GPUs possuem milhares de núcleos menores projetados para processamento paralelo. Elas são o padrão para treinamento de modelos porque podem realizar multiplicações de matrizes muito mais rapidamente 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.

Link to this sectionAplicações 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. Câmeras de segurança inteligentes: Em sistemas de alarme de segurança, as câmeras frequentemente processam feeds de vídeo localmente. Um modelo de detecção de objetos baseado em CPU pode identificar uma pessoa ou veículo e acionar um alerta sem enviar vídeo para a nuvem, preservando a largura de banda e a privacidade do usuário.

2. Automação industrial: Nas fábricas, sistemas de manutenção preditiva usam CPUs para monitorar dados de sensores de máquinas. Esses sistemas analisam vibrações ou picos de temperatura em tempo real para prever falhas, garantindo uma automação de fabricação eficiente sem a necessidade de clusters de GPU caros.

Link to this sectionExecutando inferência na CPU com o Ultralytics#

Os desenvolvedores costumam testar modelos em CPUs para verificar a compatibilidade com ambientes de computação sem servidor ou dispositivos de baixa potência. A API do Ultralytics permite que você direcione facilmente a CPU, garantindo que sua aplicação rode 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 desenvolvedores podem exportar seus modelos para o formato OpenVINO, que otimiza a estrutura da rede neural especificamente para a arquitetura x86. Para gerenciar datasets e orquestrar essas implantações, ferramentas como a Plataforma Ultralytics simplificam o fluxo de trabalho desde a anotação até a execução na borda.