CPU

Merkezi İşlem Birimi (CPU), bir bilgisayarın "beyni" olarak görev yapan, donanım ve yazılımdan gelen talimatları yorumlayıp yürütmekten sorumlu temel bileşendir. yapay zeka (AI) bağlamında CPU; veri yönetimi, sistem düzenlemesi ve özellikle güç verimliliğinin kritik olduğu uç cihazlarda çıkarım çalıştırma konularında temel bir rol oynar. GPU'lar gibi özel donanımlar genellikle derin öğrenme modellerini eğitmenin ağır işleriyle ilişkilendirilse de CPU, genel makine öğrenimi (ML) boru hattı için vazgeçilmez olmaya devam eder.

AI İş Akışlarında CPU'ların Rolü#

GPU'lar eğitim sırasındaki devasa paralellikleriyle bilinse de CPU, bilgisayarlı görü (CV) yaşam döngüsünün birçok temel aşaması için ana iş gücüdür. Genellikle x86 (Intel, AMD) veya ARM tasarımlarına dayanan mimarisi, sıra tabanlı işleme ve karmaşık mantık kontrolü için optimize edilmiştir.

• Veri Ön İşleme: Bir sinir ağı öğrenmeden önce verilerin hazırlanması gerekir. CPU'lar; dosya yükleme, veri temizleme ve NumPy ile OpenCV gibi kütüphaneleri kullanarak yapılan karmaşık dönüşümler gibi görevlerde üstündür.
• Uç Çıkarım: Gerçek dünya uygulamaları için modelleri devasa sunucularda çalıştırmak her zaman mümkün değildir. CPU'lar; bir dizüstü bilgisayarda veya Raspberry Pi üzerinde Ultralytics YOLO26 çalıştırmak gibi tüketici donanımlarında verimli model dağıtımı yapılmasına olanak tanır.
• Son İşleme: Bir model ham olasılıkları çıktıktan sonra CPU, yinelenen tahminleri filtrelemek ve sonuçları iyileştirmek için nesne tespitindeki Maksimum Olmayan Bastırma (NMS) gibi son mantık işlemlerini genellikle kendisi yönetir.

CPU vs. GPU vs. TPU#

Donanım ortamını anlamak, makine öğrenimi operasyonlarını (MLOps) optimize etmek için çok önemlidir. Bu işlemciler mimarileri ve ideal kullanım durumları açısından büyük ölçüde farklılık gösterir.

• CPU: Çok yönlülük ve karmaşık mantık için tasarlanmıştır. Görevleri sırayla işleyen birkaç güçlü çekirdeğe sahiptir. veri artırma, boru hattı yönetimi ve küçük gruplarda düşük gecikmeli çıkarım için en iyisidir.
• GPU (Grafik İşlem Birimi): Başlangıçta grafikler için tasarlanan GPU'lar, paralel işleme için tasarlanmış binlerce küçük çekirdeğe sahiptir. Matris çarpımlarını bir CPU'dan çok daha hızlı gerçekleştirebildikleri için model eğitimi standardıdırlar.
• TPU (Tensör İşlem Birimi): Tensör matematiği için özel olarak Google Cloud tarafından geliştirilen özel bir devredir (ASIC). Belirli iş yükleri için oldukça verimli olsa da bir CPU'nun genel amaçlı esnekliğinden yoksundur.

Gerçek Dünya Uygulamaları#

CPU'lar, maliyet, bulunabilirlik ve enerji tüketiminin devasa ham işlem kapasitesi ihtiyacının önüne geçtiği uygulamalar için sıklıkla tercih edilen donanımdır.

1. Akıllı Güvenlik Kameraları: güvenlik alarm sistemlerinde, kameralar genellikle video akışlarını yerel olarak işler. CPU tabanlı bir nesne tespiti modeli, buluta video göndermeden bant genişliğini ve kullanıcı gizliliğini koruyarak bir kişiyi veya aracı tanımlayabilir ve bir uyarı tetikleyebilir.

2. Endüstriyel Otomasyon: Fabrika zeminlerinde kestirimci bakım sistemleri, makinelerden gelen sensör verilerini izlemek için CPU'lar kullanır. Bu sistemler, pahalı GPU kümelemesine gerek kalmadan sorunsuz üretim otomasyonu sağlamak amacıyla arızaları tahmin etmek için titreşimleri veya sıcaklık artışlarını gerçek zamanlı olarak analiz eder.

Ultralytics ile CPU Üzerinde Çıkarım Çalıştırma#

Geliştiriciler, sunucusuz bilgi işlem ortamları veya düşük güç tüketen cihazlarla uyumluluğu doğrulamak için genellikle modelleri CPU'larda test eder. Ultralytics API, uygulamanızın her yerde çalışmasını sağlayarak CPU'yu kolayca hedeflemenize olanak tanır.

Aşağıdaki örnek, hafif bir modelin nasıl yükleneceğini ve çıkarımın özel olarak CPU üzerinde nasıl çalıştırılacağını göstermektedir:

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)

Intel CPU'larda performansı daha da artırmak için geliştiriciler, sinir ağı yapısını özellikle x86 mimarisi için optimize eden modellerini OpenVINO formatına dışarı aktarabilir. Veri kümelerini yönetmek ve bu dağıtımları düzenlemek için Ultralytics Platform gibi araçlar, etiketlemeden uç yürütmeye kadar iş akışını basitleştirir.