CPU

Merkezi İşlem Birimi (CPU), bir bilgisayarın "beyni" olarak görev yapan ve donanım ile yazılımdan gelen talimatları yorumlayıp yürütmekten sorumlu temel bileşenidir. Yapay zekâ (AI) bağlamında CPU, özellikle güç verimliliğinin kritik olduğu uç cihazlarda veri işleme, sistem orkestrasyonu ve çıkarım yürütme süreçlerinde temel bir rol oynar. GPU'lar genellikle derin öğrenme modellerinin eğitimi gibi yoğun işlemlerle ilişkilendirilse de CPU, genel makine öğrenimi (ML) işlem hattı için vazgeçilmez olmaya devam eder.

Yapay Zekâ İş Akışlarında CPU'ların Rolü#

GPU'lar eğitim sırasında sundukları devasa paralellik sayesinde öne çıksa da CPU, bilgisayarlı görü (CV) yaşam döngüsünün birçok temel aşamasında iş yükünü üstlenir. Genellikle x86 (Intel, AMD) veya ARM mimarilerine dayanan yapısı, sıralı işleme ve karmaşık mantık denetimi için optimize edilmiştir.

• Veri Ön İşleme: Bir sinir ağı öğrenmeye başlamadan önce verilerin hazırlanması gerekir. CPU'lar dosya yükleme, veri temizleme ve NumPy ile OpenCV gibi kütüphaneleri kullanan karmaşık dönüşümler gibi görevlerde başarılıdır.
• Uçta Çıkarım: Gerçek dünyada dağıtım için modelleri büyük sunucularda çalıştırmak her zaman uygulanabilir değildir. CPU'lar, Ultralytics YOLO26 modelini bir dizüstü bilgisayarda veya Raspberry Pi üzerinde çalıştırmak gibi tüketici donanımlarında verimli model dağıtımına olanak tanır.
• Son İşleme: Bir model ham olasılıkları çıktı olarak verdikten sonra CPU, nesne tespitinde Maksimum Olmayan Bastırma (NMS) gibi son mantık işlemlerini üstlenerek yinelenen tahminleri filtreler ve sonuçları iyileştirir.

CPU ve GPU ile TPU Karşılaştırması#

Donanım ekosistemini anlamak, makine öğrenimi operasyonlarını (MLOps) optimize etmek için kritik öneme sahiptir. Bu işlemciler mimarileri ve ideal kullanım alanları bakımından önemli ölçüde farklılık gösterir.

• CPU: Çok yönlülük ve karmaşık mantık için tasarlanmıştır. Görevleri sıralı olarak işleyen birkaç güçlü çekirdeğe sahiptir. Veri artırma, işlem hattı yönetimi ve küçük toplu işlerde düşük gecikmeli çıkarım için en uygunudur.
• GPU (Grafik İşlem Birimi): Başlangıçta grafikler için tasarlanan GPU'lar, paralel işleme için geliştirilmiş binlerce küçük çekirdeğe sahiptir. Matris çarpımlarını CPU'dan çok daha hızlı gerçekleştirebildikleri için model eğitiminin standardıdır.
• TPU (Tensör İşleme Birimi): Google Cloud tarafından özellikle tensör matematiği için geliştirilmiş uzmanlaşmış bir devredir (ASIC). Belirli iş yüklerinde son derece verimli olsa da CPU'nun genel amaçlı esnekliğinden yoksundur.

Gerçek Dünya Uygulamaları#

CPU'lar, maliyetin, bulunabilirliğin ve enerji tüketiminin yüksek ham işlem hacmi gereksiniminden daha önemli olduğu uygulamalarda sıklıkla tercih edilen donanımdır.

1. Akıllı Güvenlik Kameraları: Güvenlik alarm sistemlerinde kameralar genellikle video akışlarını yerel olarak işler. CPU tabanlı bir nesne tespit modeli, bir kişiyi veya aracı tanımlayıp videoyu buluta göndermeden uyarı tetikleyebilir; böylece bant genişliği ve kullanıcı gizliliği korunur.

2. Endüstriyel Otomasyon: Fabrika sahalarında kestirimci bakım sistemleri, makinelerden gelen sensör verilerini izlemek için CPU'ları kullanır. Bu sistemler, pahalı GPU kümelerine ihtiyaç duymadan arızaları öngörmek ve sorunsuz üretim otomasyonunu güvence altına almak için titreşimleri veya sıcaklık artışlarını gerçek zamanlı olarak analiz eder.

Ultralytics ile CPU Üzerinde Çıkarım Çalıştırma#

Geliştiriciler, sunucusuz bilgi işlem ortamlarıyla veya düşük güç tüketimli cihazlarla uyumluluğu doğrulamak için modelleri sıklıkla CPU'larda test eder. Ultralytics API'si CPU'yu kolayca hedeflemeni sağlayarak uygulamanın her yerde çalışmasını güvence altına alır.

Aşağıdaki örnek, hafif bir modelin nasıl yükleneceğini ve çıkarımın özellikle CPU üzerinde nasıl çalıştırılacağını gösterir:

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 modellerini, sinir ağı yapısını özellikle x86 mimarisi için optimize eden OpenVINO biçimine aktarabilir. Veri kümelerini yönetmek ve bu dağıtımları orkestre etmek için Ultralytics Platform gibi araçlar, açıklamadan uçta çalıştırmaya kadar iş akışını basitleştirir.