CPU

A Central Processing Unit (CPU) is the primary component of a computer that acts as its "brain," responsible for interpreting and executing instructions from hardware and software. In the context of artificial intelligence (AI), the CPU plays a fundamental role in data handling, system orchestration, and executing inference, particularly on edge devices where power efficiency is critical. While specialized hardware like GPUs are often associated with the heavy lifting of training deep learning models, the CPU remains indispensable for the overall machine learning (ML) pipeline.

Роль процессоров в рабочих процессах искусственного интеллекта

Although GPUs are celebrated for their massive parallelism during training, the CPU is the workhorse for many essential stages of the computer vision (CV) lifecycle. Its architecture, typically based on x86 (Intel, AMD) or ARM designs, is optimized for sequential processing and complex logic control.

• Data Preprocessing: Before a neural network can learn, data must be prepared. CPUs excel at tasks such as file loading, data cleaning, and complex transformations using libraries like NumPy and OpenCV.
• Вывод на периферии: для реального развертывания запуск моделей на мощных серверах не всегда возможен. Процессоры позволяют эффективно развертывать модели на потребительском оборудовании, например запускать Ultralytics на ноутбуке или Raspberry Pi.
• Post-Processing: After a model outputs raw probabilities, the CPU often handles the final logic, such as Non-Maximum Suppression (NMS) in object detection, to filter out duplicate predictions and refine results.

CPU vs. GPU vs. TPU

Понимание аппаратной среды имеет решающее значение для оптимизации операций машинного обучения (MLOps). Эти процессоры значительно различаются по архитектуре и идеальным сценариям использования.

• CPU: Designed for versatility and complex logic. It features a few powerful cores that process tasks sequentially. It is best for data augmentation, pipeline management, and low-latency inference on small batches.
• GPU графический процессор): Изначально предназначенные для обработки графики, графические процессоры имеют тысячи небольших ядер, предназначенных для параллельной обработки. Они являются стандартом для обучения моделей, поскольку могут выполнять умножение матриц гораздо быстрее, чем CPU.
• TPU (Tensor Processing Unit): A specialized circuit (ASIC) developed by Google Cloud specifically for tensor math. While highly efficient for specific workloads, it lacks the general-purpose flexibility of a CPU.

Применение в реальном мире

CPUs are frequently the hardware of choice for applications where cost, availability, and energy consumption outweigh the need for massive raw throughput.

1. Smart Security Cameras: In security alarm systems, cameras often process video feeds locally. A CPU-based object detection model can identify a person or vehicle and trigger an alert without sending video to the cloud, preserving bandwidth and user privacy.
2. Промышленная автоматизация: на заводских площадках системы прогнозного технического обслуживания используют процессоры для мониторинга данных датчиков с оборудования. Эти системы анализируют вибрации или скачки температуры в режиме реального времени, чтобы предсказывать неисправности, обеспечивая бесперебойную автоматизацию производства без необходимости использования дорогостоящих GPU .

Выполнение вывода на CPU Ultralytics

Разработчики часто тестируют модели на процессорах, чтобы проверить их совместимость с бессерверными вычислительными средами или устройствами с низким энергопотреблением . Ultralytics позволяет легко настроить работу на CPU, гарантируя, что ваше приложение будет работать где угодно.

Следующий пример демонстрирует, как загрузить облегченную модель и выполнить инференцию специально на 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)

To further improve performance on Intel CPUs, developers can export their models to the OpenVINO format, which optimizes the neural network structure specifically for x86 architecture. For managing datasets and orchestrating these deployments, tools like the Ultralytics Platform simplify the workflow from annotation to edge execution.