云计算

云计算是通过互联网按需提供 IT 资源，包括计算能力、存储和数据库。 云计算是通过互联网按需提供 IT 资源，包括计算能力、存储和数据库。与购买、拥有和维护实体数据中心和服务器相比，企业可以根据需要从云服务提供商（如云计算公司）获取技术服务。 云计算服务提供商提供的技术服务。 亚马逊网络服务（AWS）、 Microsoft Azure Google 。这种模式的转变使 企业以资本支出换取可变支出，只需为所消耗的资源付费。对于 人工智能（AI 人工智能（AI）从业者来说，云计算 提供了训练复杂模型和管理海量数据所需的可扩展基础设施，而不受本地硬件的限制。 本地硬件的限制。

云在人工智能和机器学习中的作用

机器学习（ML）的快速发展与 机器学习（ML）的快速发展与云计算的能力有着内在的联系。 云计算的能力息息相关。训练最先进的模型需要巨大的计算能力，通常需要 高性能集群 图形处理器（GPU）或 Tensor 处理单元（TPU）。云 平台将这种硬件的使用权平民化，允许开发人员为分布式训练任务启动强大的实例。 分布式训练任务。 的分布式训练任务。

此外，云技术还为 数据安全和存储。处理现代 现代计算机视觉（CV 处理现代计算机视觉（CV）项目所需的海量训练数据。 ImageNet数据集--通过可扩展的对象存储服务（如亚马逊 S3 存储服务（如亚马逊 S3或 Google 存储。

云计算的服务模式

云服务通常分为三种主要模式，每种模式都提供不同程度的控制和管理。 管理：

• 基础设施即服务（IaaS）：提供 计算的基本构件，如虚拟服务器和网络。这非常适合研究人员 研究人员的理想选择。 深度学习 (DL)环境的研究人员的理想选择。
• 平台即服务（PaaS）： 无需管理底层基础设施，让开发人员专注于部署和编码。 Google Vertex AI等服务简化了 MLOps 的工作流程。 MLOps.
• 软件即服务（SaaS）：通过互联网 软件应用程序。即将推出的Ultralytics 平台就是一个很好的例子。 的生命周期管理的综合环境。 YOLO11模型的生命周期。

实际应用

云计算使人工智能解决方案能够在全球范围内扩展到各个行业。

1. 智能农业：现代农业利用 人工智能在农业中的应用，监测作物健康状况。 无人机捕捉高分辨率图像并上传到云端。在那里 对象检测模型处理图像，以 识别害虫或疾病，并将可操作的见解发回农民的平板电脑。
2. 医疗诊断：在 医疗保健中的人工智能》中，医院利用安全的 云环境，对病人的 X 光片进行匿名处理和存储。先进的算法在云中执行 医疗图像分析，以 协助放射科医生检测异常情况，确保高准确性并符合 HIPAA 等法规。 HIPAA。

云计算与边缘计算

必须将云计算与 边缘计算。云计算将处理集中在遥远的数据中心 在遥远的数据中心集中处理，而边缘计算则将计算带到离数据源更近的地方，如物联网设备上。 物联网设备上。

• 云计算：最适合繁重的培训工作负载、历史数据分析和存储。它 可扩展性高，但由于网络传输时间 推理延迟。
• 边缘计算：最适合 毫秒级的实时推理 的实时推理，如自动驾驶汽车。 通常采用混合方法，即在云中训练模型，并使用以下格式将模型部署到边缘 ONNX.

示例：基于云的模型培训基于云的模型训练

下面的Python 代码段演示了一个典型的工作流程，其中脚本可以在云 VM（虚拟机）上运行 使用 Ultralytics Python 软件包Python 训练像 YOLO11 这样的计算密集型模型。

from ultralytics import YOLO

# Load a YOLO11 model (n=nano size)
model = YOLO("yolo11n.pt")

# Train the model on the COCO8 dataset
# Cloud instances with GPUs accelerate this process significantly
results = model.train(
    data="coco8.yaml",  # dataset config
    epochs=100,  # number of training epochs
    imgsz=640,  # image size
    device=0,  # use the first GPU available
)

这一过程利用了云计算动态分配GPU 资源的能力，确保优化算法能够高效收敛。 优化算法高效收敛 而不会使本地开发人员的笔记本电脑过热。