Cloud Computing

探索云计算如何赋能 AI。学习在云端 GPU 上训练 Ultralytics YOLO26，并使用全新的 Ultralytics Platform 大规模部署视觉模型。

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。组织无需购买、拥有和维护物理数据中心，而是可以根据需要从云服务提供商处获取技术服务。对于人工智能 (AI) 和机器学习 (ML) 从业者而言，这种模式具有变革性。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，而无需承担高昂的硬件前期成本。

Link to this section云在 AI 开发中的重要性#

The symbiotic relationship between cloud infrastructure and modern AI has accelerated technological innovation. Training sophisticated Deep Learning (DL) models requires immense processing power. Cloud platforms offer instant access to high-performance clusters of Graphics Processing Units (GPUs) and Tensor Processing Units (TPUs), enabling researchers to perform distributed training on vast amounts of training data.

除了原始计算能力外，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，云提供了一个统一的生态系统。这使团队能够专注于优化算法，而不是管理基础设施。例如，Ultralytics Platform 利用云资源简化了像 YOLO26 这样的视觉模型的训练和管理。

Link to this section核心服务模型#

云计算通常分为三种模型，每种模型提供不同级别的控制权限：

基础设施即服务 (IaaS)： 提供基础的计算和存储资源。用户管理操作系统和应用程序，通常使用 Docker 容器等工具。示例包括 Amazon EC2 和 Google Compute Engine。
平台即服务 (PaaS)： 免除了管理底层基础设施的需要，使开发者能够专注于部署应用程序。这在数据库管理和应用程序托管方面非常受欢迎。
软件即服务 (SaaS)： 通过互联网交付完整的软件产品。Ultralytics Platform 就是 SaaS 的一个典型例子，它提供了一个用于训练计算机视觉模型的无代码界面。

Link to this section人工智能的实际应用#

云计算使 AI 解决方案能够在各行各业中实现全球化运作。

医学影像： 医疗保健提供商使用云来安全地存储 PB 级数据。运行在云服务器上的医学图像分析算法可以处理 MRI 或 CT 扫描，以协助放射科医生检测异常。这种集中式处理确保始终使用最新版本的模型。
智能零售： 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户流量。数据被传输到云端，经过处理提取洞察，并可视化显示在门店经理的仪表板上。查看零售业中的 AI 如何优化运营。

Link to this section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 流水线中发挥着互补作用。

云计算： 在大型数据中心集中处理数据。它最适合模型训练、历史大数据分析和长期存储等繁重的工作负载。
边缘计算： 在数据生成的源头附近（例如物联网设备、制造机器人）处理数据。这最大限度地减少了推理延迟和带宽使用。

一种常见的工作流是：在云端训练像 YOLO26 这样强大的模型以利用高速 GPU，然后将其导出为 ONNX 等格式，以便在边缘设备上进行高效执行。

Link to this section示例：云就绪模型训练#

以下 Python 代码片段演示了如何启动 YOLO26 模型的训练。虽然此代码可以在本地运行，但它旨在无缝扩展到云环境，在这些环境中，GPU 资源可以显著加快处理过程。

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)

对于大规模项目，利用云训练解决方案可确保你的模型权重得到高效优化，而不会导致本地工作站过热。