Cloud Computing

云计算是指通过互联网按需交付 IT 资源，例如服务器、存储、数据库、网络和软件。组织不必购买、拥有和维护实体数据中心，而是可以根据需要从云服务提供商处访问技术服务。对于从事人工智能 (AI)和机器学习 (ML)的实践者而言，这一范式具有变革性。它提供了处理海量数据集和复杂计算所需的弹性可扩展性，无需承担硬件高昂的前期成本。

云计算在 AI 开发中的重要性#

云基础设施与现代 AI 之间的协同关系加速了技术创新。训练复杂的深度学习 (DL)模型需要巨大的处理能力。云平台可即时提供高性能图形处理单元 (GPUs)和张量处理单元 (TPUs)集群，使研究人员能够对海量训练数据执行分布式训练。

除了原始算力外，云服务还简化了机器学习运维 (MLOps)。从数据摄取和数据标注，到模型部署和监控，云提供了统一的生态系统。这样一来，团队就能专注于优化算法，而不是管理基础设施。例如，Ultralytics Platform利用云资源简化了YOLO26等视觉模型的训练和管理。

核心服务模型#

云计算通常分为三种模型，每种模型提供不同程度的控制权：

• 基础设施即服务 (IaaS)： 提供基础的计算和存储资源。用户负责管理操作系统和应用程序，通常会使用 Docker 容器等工具。示例包括 Amazon EC2 和 Google Compute Engine。
• 平台即服务 (PaaS)： 无需管理底层基础设施，让开发人员能够专注于部署应用程序。这种模式常用于数据库管理和应用托管。
• 软件即服务 (SaaS)： 通过互联网交付完整的软件产品。Ultralytics Platform是 SaaS 的典型示例，提供用于训练计算机视觉模型的无代码界面。

AI 中的实际应用#

云计算使 AI 解决方案能够在各行各业中实现全球化运行。

• 医学影像： 医疗服务提供商使用云安全地存储 PB 级数据。在云服务器上运行的医学图像分析算法可以处理 MRI 或 CT 扫描，帮助放射科医生检测异常。这种集中式处理可确保始终使用最新版本的模型。
• 智慧零售： 零售商利用云连接摄像头进行目标检测，以监控库存水平并分析客流量。数据会流式传输到云端，经过处理以提取洞察，并在仪表板上进行可视化，供门店经理查看。了解 AI 在零售业中的应用如何优化运营。

云计算与边缘计算#

区分云计算与边缘计算非常重要，因为它们在 AI 流程中发挥着互补作用。

• 云计算： 将数据处理集中在大型数据中心中。它适合模型训练、历史大数据分析和长期存储等高负载工作。
• 边缘计算： 在数据生成源附近处理数据（例如 IoT 设备和制造机器人）。这可以最大限度地降低推理延迟和带宽使用量。

一种常见的工作流程是：在云端训练YOLO26等高性能模型，以利用高速 GPU，然后将其导出为 ONNX 等格式，从而在边缘设备上高效运行。

示例：面向云环境的模型训练#

以下 Python 代码片段演示了如何启动 Ultralytics YOLO26 模型的训练。虽然这段代码可以在本地运行，但其设计目标是能够无缝扩展到云环境，在那里 GPU 资源可以显著加速这一过程。

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)

对于大型项目，使用云端训练解决方案可确保高效优化你的模型权重，避免本地工作站过热。