Cloud Computing
Khám phá cách cloud computing thúc đẩy AI. Tìm hiểu cách huấn luyện Ultralytics YOLO26 trên GPU cloud và triển khai các model thị giác ở quy mô lớn bằng Ultralytics Platform hoàn toàn mới.
Điện toán đám mây đề cập đến việc cung cấp tài nguyên CNTT theo nhu cầu—chẳng hạn như máy chủ, bộ nhớ, cơ sở dữ liệu, mạng và phần mềm—qua internet. Thay vì mua, sở hữu và duy trì các trung tâm dữ liệu vật lý, các tổ chức có thể truy cập các dịch vụ công nghệ từ nhà cung cấp đám mây khi cần. Đối với những người làm việc trong lĩnh vực Trí tuệ nhân tạo (AI) và Học máy (ML), mô hình này mang tính đột phá. Nó cung cấp khả năng mở rộng linh hoạt cần thiết để xử lý các tập dữ liệu khổng lồ và phép tính phức tạp mà không phải chịu chi phí đầu tư phần cứng ban đầu quá lớn.
Tầm quan trọng của đám mây trong phát triển AI#
Mối quan hệ cộng sinh giữa hạ tầng đám mây và AI hiện đại đã thúc đẩy đổi mới công nghệ. Việc huấn luyện các model Học sâu (DL) phức tạp đòi hỏi năng lực xử lý rất lớn. Các nền tảng đám mây cung cấp quyền truy cập tức thì vào các cụm Bộ xử lý đồ họa (GPUs) và Bộ xử lý Tensor (TPUs) hiệu năng cao, cho phép các nhà nghiên cứu thực hiện huấn luyện phân tán trên lượng lớn dữ liệu huấn luyện.
Ngoài sức mạnh xử lý thuần túy, các dịch vụ đám mây còn đơn giản hóa Vận hành học máy (MLOps). Từ việc nhập dữ liệu và gán nhãn dữ liệu đến triển khai model và giám sát, đám mây cung cấp một hệ sinh thái thống nhất. Điều này cho phép các nhóm tập trung vào việc tinh chỉnh thuật toán thay vì quản lý hạ tầng. Chẳng hạn, Ultralytics Platform sử dụng tài nguyên đám mây để đơn giản hóa việc huấn luyện và quản lý các model thị giác như YOLO26.
Các mô hình dịch vụ cốt lõi#
Điện toán đám mây thường được phân loại thành ba mô hình, mỗi mô hình cung cấp mức độ kiểm soát khác nhau:
- Hạ tầng dưới dạng dịch vụ (IaaS): Cung cấp các tài nguyên tính toán và lưu trữ cơ bản. Người dùng quản lý hệ điều hành và ứng dụng, thường sử dụng các công cụ như container Docker. Ví dụ bao gồm Amazon EC2 và Google Compute Engine.
- Nền tảng dưới dạng dịch vụ (PaaS): Loại bỏ nhu cầu quản lý hạ tầng bên dưới, cho phép developer tập trung vào việc triển khai ứng dụng. Mô hình này phổ biến trong quản lý cơ sở dữ liệu và lưu trữ ứng dụng.
- Phần mềm dưới dạng dịch vụ (SaaS): Cung cấp các sản phẩm phần mềm hoàn chỉnh qua internet. Ultralytics Platform là một ví dụ tiêu biểu về SaaS, cung cấp giao diện không cần code để huấn luyện các model thị giác máy tính.
Các Ứng dụng Thực tế trong AI#
Điện toán đám mây cho phép các giải pháp AI vận hành trên toàn cầu trong nhiều ngành đa dạng.
- Chẩn đoán hình ảnh y khoa: Các đơn vị cung cấp dịch vụ chăm sóc sức khỏe sử dụng đám mây để lưu trữ an toàn hàng petabyte dữ liệu. Các thuật toán phân tích ảnh y khoa chạy trên máy chủ đám mây có thể xử lý ảnh MRI hoặc CT để hỗ trợ bác sĩ chẩn đoán phát hiện bất thường. Việc xử lý tập trung này đảm bảo các phiên bản model mới nhất luôn được sử dụng.
- Bán lẻ thông minh: Các nhà bán lẻ tận dụng camera kết nối đám mây để phát hiện đối tượng, theo dõi mức tồn kho và phân tích lưu lượng khách hàng. Dữ liệu được truyền lên đám mây, xử lý để trích xuất thông tin chuyên sâu và trực quan hóa trên dashboard cho quản lý cửa hàng. Xem cách AI trong bán lẻ tối ưu hóa hoạt động.
Điện toán đám mây và Điện toán biên#
Điều quan trọng là phải phân biệt điện toán đám mây với điện toán biên, vì chúng đảm nhiệm các vai trò bổ trợ cho nhau trong một pipeline AI.
- Điện toán đám mây: Tập trung xử lý dữ liệu tại các trung tâm dữ liệu quy mô lớn. Phương thức này tối ưu cho các workload nặng như huấn luyện model, phân tích Dữ liệu lớn lịch sử và lưu trữ dài hạn.
- Điện toán biên: Xử lý dữ liệu gần nguồn phát sinh (ví dụ: thiết bị IoT, robot sản xuất). Điều này giảm thiểu độ trễ suy luận và mức sử dụng băng thông.
Một workflow phổ biến là huấn luyện một model mạnh như YOLO26 trên đám mây để tận dụng GPU tốc độ cao, sau đó xuất model sang định dạng như ONNX để thực thi hiệu quả trên thiết bị biên.
Ví dụ: Huấn luyện model sẵn sàng cho đám mây#
Đoạn mã Python sau minh họa cách khởi chạy quá trình huấn luyện cho một model Ultralytics YOLO26. Mặc dù mã này có thể chạy cục bộ, nó được thiết kế để dễ dàng mở rộng đến các môi trường đám mây, nơi tài nguyên GPU giúp tăng tốc đáng kể quá trình.
from ultralytics import YOLO
# Load the latest YOLO26 model (recommended for speed and accuracy)
model = YOLO("yolo26n.pt")
# Train the model on the COCO8 dataset
# Cloud GPUs drastically reduce training time for larger datasets
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)Đối với các dự án quy mô lớn, việc sử dụng các giải pháp huấn luyện trên đám mây đảm bảo rằng trọng số model được tối ưu hóa hiệu quả mà không làm các workstation cục bộ bị quá nhiệt.
