GPU (Graphics Processing Unit)

Bir Grafik İşlem Birimi (GPU), aslen bir ekran çıkışı için bir kare arabelleğindeki görüntülerin manipülasyonunu ve oluşturulmasını hızlandırmak üzere tasarlanmış özel bir elektronik devre kartiidir. Kökleri oyun ve profesyonel görselleştirme için bilgisayar grafikleri oluşturmaya dayanmakla birlikte, GPU'lar modern Yapay Zeka (AI) alanının temel motoru haline gelmiştir. Görevleri sırayla yönetmek için birkaç güçlü çekirdek kullanan standart bir işlemcinin aksine, bir GPU mimarisi aynı anda birden fazla görevi yürütmek üzere tasarlanmış binlerce küçük ve verimli çekirdekten oluşur. Paralel hesaplama olarak bilinen bu yetenek, onları Derin Öğrenme (DL) ve karmaşık Sinir Ağlarının (NN) temelini oluşturan devasa matris ve vektör işlemleri için son derece verimli kılar.

YZ İş Yüklerini Hızlandırma#

GPU'ların Makine Öğrenimi (ML) için vazgeçilmez olmasının birincil nedeni, yüksek hızlı matris çarpımları gerçekleştirme yetenekleridir. PyTorch ve TensorFlow gibi derin öğrenme çerçeveleri, bu donanım hızlandırmasından yararlanmak için özellikle optimize edilmiştir. Bu durum, model eğitimi sürelerinin önemli ölçüde azalmasını sağlar ve standart bir işlemcide haftalar sürecek hesaplamaları genellikle GPU üzerinde saatler içine dönüştürür. Bu cihazların hesaplama verimi tipik olarak, YOLO26 gibi son teknoloji modellerin zorlu taleplerini karşılama donanım yeteneğini ölçmek için kritik bir metrik olan FLOPS (Saniyedeki Kayan Noktalı İşlem Sayısı) cinsinden ölçülür.

Donanım 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 mantık dallanmasında başarılıdır, ancak büyük ölçekli yapay zeka eğitimi için gereken devasa paralellik konusunda daha az verimlidir.
• GPU (Grafik İşlem Birimi): Eğitim ve çıkarım için endüstri standardı. NVIDIA gibi önde gelen üreticiler, geliştiricilerin genel amaçlı bilgi işlem için GPU'yu doğrudan programlamasına olanak tanımak amacıyla CUDA gibi yazılım ekosistemlerinden yararlanır.
• TPU (Tensör İşlem Birimi): Sinir ağı makine öğrenimi için özel olarak geliştirilmiş bir Uygulamaya Özel Tümleşik Devre (ASIC). Belirli tensör işlemleri için son derece verimli olmalarına rağmen, daha geniş bilgi işlem görevleri için GPU'lardan daha az çok yönlüdürler.

Gerçek Dünya Uygulamaları#

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

• Otonom Araçlar: Sürücüsüz arabalar, kameralardan, radardan ve LiDAR sensörlerinden her saniye gigabaytlarca veri işlemek zorundadır. GPU'lar gerçek zamanlı çıkarım sağlayarak aracın yerleşik bilgisayarının yayaları, trafik işaretlerini ve engelleri anında tanımlayan Nesne Tespiti modellerini çalıştırmasına olanak tanır.
• Tıbbi Görüntü Analizi: Sağlık sektöründe GPU'lar, MR ve BT gibi yüksek çözünürlüklü taramaların işlenmesini hızlandırır. Gelişmiş Görüntü Bölütleme algoritmalarının tümörleri veya organları hassas bir şekilde belirlemesini sağlayarak radyologların yalnızca manuel incelemeye güvenmeden daha hızlı ve daha doğru teşhisler koymasına yardımcı olur.

GPU ile Eğitim#

ultralytics paketini kullanırken, verimli iş akışları için bir GPU kullanmak son derece kolay ve şiddetle tavsiye edilir. Kütüphane otomatik cihaz algılamayı destekler, ancak kullanıcılar cihazı açıkça da belirtebilir.

Aşağıdaki örnek, mevcut ilk 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)

Dağıtım ve Optimizasyon#

Eğitimin ötesinde, GPU'lar Model Dağıtımı sürecinde çok önemli bir rol oynar. Çıkarım sırasında verimliliği en üst düzeye çıkarmak için modeller genellikle sinir ağını belirli GPU mimarisiyle mükemmel bir şekilde uyumlu hale getirecek şekilde 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 kümelemesinde modelleri eğitmek için bulut tabanlı çözümler sunar. Bu erişilebilirlik, Uç Yapay Zeka alanındaki inovasyonu teşvik ederek karmaşık Bilgisayarlı Görü (CV) görevlerinin sahadaki daha küçük, güç açısından verimli cihazlara dağıtılmasına olanak tanır.