CPU

Merkezi İşlem Birimi (CPU), donanım ve yazılımdan gelen talimatları yorumlamaktan ve yürütmekten sorumlu, bir bilgisayarın "beyni" işlevini gören ana bileşendir. Yapay zeka (AI) bağlamında CPU, özellikle güç verimliliğinin kritik olduğu uç cihazlarda veri işleme, sistem yönetimi ve çıkarım yürütme konularında temel bir rol oynar. GPU gibi özel donanımlar derin öğrenme modellerini eğitmekteki ağır işlerle ilişkilendirilse de, CPU genel makine öğrenimi (ML) hattı için vazgeçilmez olmaya devam etmektedir.

Link to this sectionAI İş Akışlarında CPU'ların Rolü#

GPU'lar eğitim sırasındaki devasa paralellikleri ile övülseler de, CPU, bilgisayarlı görü (CV) yaşam döngüsünün birçok temel aşaması için işin mutfağındaki ana güçtür. Genellikle x86 (Intel, AMD) veya ARM tasarımlarına dayanan mimarisi, sıralı işlem 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 üstün başarı sergiler.
• Edge Inference: For real-world deployment, running models on massive servers isn't always feasible. CPUs allow for efficient model deployment on consumer hardware, such as running Ultralytics YOLO26 on a laptop or a Raspberry Pi.
• Son İşleme: Bir model ham olasılıkları çıktı olarak verdikten sonra CPU, kopya tahminleri filtrelemek ve sonuçları iyileştirmek için nesne algılamadaki Maksimum Olmayan Baskılama (NMS) gibi son mantıksal işlemleri genellikle kendi başına gerçekleştirir.

Link to this sectionCPU vs. GPU vs. TPU#

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

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

Link to this sectionGerçek 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 algılama modeli, videoyu buluta göndermeden bir kişiyi veya aracı tanımlayıp uyarı tetikleyebilir; böylece bant genişliğinden tasarruf edilir ve kullanıcı gizliliği korunur.

2. Endüstriyel Otomasyon: Fabrika zeminlerinde, kestirimci bakım sistemleri makinelerden gelen sensör verilerini izlemek için CPU'ları kullanır. Bu sistemler, titreşimleri veya sıcaklık artışlarını gerçek zamanlı olarak analiz ederek arızaları öngörür ve pahalı GPU kümelerine ihtiyaç duymadan sorunsuz bir üretim otomasyonu sağlar.

Link to this sectionUltralytics ile CPU Üzerinde Çıkarım Çalıştırma#

Geliştiriciler, sunucusuz bilgi işlem ortamları veya düşük güçlü cihazlarla uyumluluğu doğrulamak için modelleri genellikle CPU'larda test ederler. Ultralytics API, uygulamanın her yerde çalışmasını sağlayarak kolayca CPU'yu hedeflemene 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, modellerini sinir ağı yapısını özel olarak x86 mimarisi için optimize eden OpenVINO formatına dışa aktarabilirler. Veri kümelerini yönetmek ve bu dağıtımları düzenlemek için Ultralytics Platform gibi araçlar, etiketlemeden uçta çalıştırmaya kadar olan iş akışını basitleştirir.