GPU (Graphics Processing Unit)

Grafik İşleme Birimi (GPU), başlangıçta görüntü çıkışı için bir kare arabelleğindeki görüntülerin işlenmesini ve oluşturulmasını hızlandırmak üzere tasarlanmış özel bir elektronik devredir. Kökleri oyun ve profesyonel görselleştirme için bilgisayar grafikleri oluşturmaya dayansa da, GPU'lar günümüzde modern Yapay Zeka (YZ) çalışmalarının temel motoru haline gelmiştir. Görevleri sırayla işlemek için birkaç güçlü çekirdek kullanan standart bir işlemcinin aksine, bir GPU mimarisi aynı anda birden fazla görevi yerine getirmek üzere tasarlanmış binlerce küçük ve verimli çekirdekten oluşur. Paralel hesaplama olarak bilinen bu yetenek, onları Derin Öğrenme (DÖ) ve karmaşık Sinir Ağları (SA) için temel oluşturan devasa matris ve vektör işlemleri konusunda son derece verimli kılar.

Link to this sectionYZ İş Yüklerini Hızlandırma#

The primary reason GPUs are indispensable for Machine Learning (ML) is their ability to perform high-speed matrix multiplications. Deep learning frameworks like PyTorch and TensorFlow are specifically optimized to leverage this hardware acceleration. This results in significantly reduced times for model training, often transforming what would be weeks of computation on a standard processor into hours on a GPU. The computational throughput of these devices is typically measured in FLOPS (Floating Point Operations Per Second), a critical metric for gauging the capability of hardware to handle the rigorous demands of state-of-the-art models like YOLO26.

Link to this sectionDonanım Farklılıkları: GPU ve CPU ve TPU#

Donanım ortamını anlamak için GPU'yu diğer işlem birimlerinden ayırt etmek faydalıdır:

• CPU (Merkezi İşlem Birimi): Bir bilgisayarın genel amaçlı "beyni". CPU'lar sıralı işleme ve karmaşık mantıksal dallanmalarda başarılıdır, ancak büyük ölçekli YZ eğitimi için gereken devasa paralellik konusunda daha az verimlidirler.
• GPU (Grafik İşleme Birimi): Eğitim ve çıkarım için endüstri standardıdır. NVIDIA gibi önde gelen üreticiler, geliştiricilerin GPU'yu genel amaçlı hesaplamalar için doğrudan programlamasına olanak tanıyan CUDA gibi yazılım ekosistemlerini kullanır.
• TPU (Tensor İşleme Birimi): Özellikle sinir ağı makine öğrenimi için geliştirilmiş bir Uygulamaya Özel Entegre Devre (ASIC) birimidir. Belirli tensör işlemleri için oldukça verimli olsalar da, daha geniş hesaplama görevleri için GPU'lardan daha az çok yönlüdürler.

Link to this sectionGerçek Dünya Uygulamaları#

Yüksek performanslı GPU'ların uygulanması, çeşitli endüstrilerde yenilikleri körüklemiştir:

• Otonom Araçlar: Kendi kendine giden araçlar, her saniye kameralardan, radarlardan ve LiDAR sensörlerinden gelen gigabaytlarca veriyi işlemek zorundadır. GPU'lar gerçek zamanlı çıkarıma olanak tanıyarak aracın dahili bilgisayarının yayaları, trafik işaretlerini ve engelleri anında tanımlayan Nesne Algılama modellerini çalıştırmasını sağlar.
• Tıbbi Görüntü Analizi: Sağlık sektöründe GPU'lar, MRI ve CT gibi yüksek çözünürlüklü taramaların işlenmesini hızlandırır. Gelişmiş Görüntü Segmentasyonu algoritmalarının tümörleri veya organları hassas bir şekilde belirlemesini sağlayarak radyologların yalnızca manuel incelemeye güvenmeden daha hızlı ve daha doğru teşhisler koymalarına yardımcı olur.

Link to this sectionGPU ile Eğitim#

ultralytics paketini kullanırken GPU'dan yararlanmak oldukça basittir ve verimli iş akışları için şiddetle tavsiye edilir. Kütüphane otomatik cihaz algılamayı destekler, ancak kullanıcılar cihazı açıkça belirtebilirler.

Aşağıdaki örnek, ilk kullanılabilir GPU üzerinde bir YOLO26 modelinin nasıl eğitileceğini göstermektedir:

from ultralytics import YOLO

# Load the YOLO26n model
model = YOLO("yolo26n.pt")

# Train the model on the first available GPU (device=0)
# This significantly accelerates training compared to CPU usage
results = model.train(data="coco8.yaml", epochs=5, imgsz=640, device=0)

Link to this sectionDağıtım ve Optimizasyon#

Eğitimin ötesinde, GPU'lar Model Dağıtımı sürecinde kritik bir rol oynar. Çıkarım sırasında verimliliği en üst düzeye çıkarmak için modeller genellikle, sinir ağını belirli GPU mimarisiyle mükemmel bir şekilde uyumlu hale getirmek üzere yeniden yapılandıran ve gecikmeyi azaltan TensorRT gibi optimize edilmiş formatlara dönüştürülür. Üst düzey yerel donanıma erişimi olmayan geliştiriciler için Ultralytics Platform, veri kümelerini yönetmek ve güçlü uzak GPU kümelerinde modelleri eğitmek için bulut tabanlı çözümler sunar. Bu erişilebilirlik, Uçta YZ alanındaki inovasyonu destekleyerek karmaşık Bilgisayarlı Görü (BG) görevlerinin sahada daha küçük, güç tasarruflu cihazlarda çalıştırılmasına olanak tanır.