Chargement...
Chargement...
Chargement...
IA27 mars 202610 MIN. DE LECTURE

Qu’est-ce Qu’un GPU ? Guide pour les Débutants

Image montrant des GPU NVIDIA de différentes tailles

Si vous vous demandez « Qu’est-ce qu’un GPU et pourquoi en aurais-je besoin ? », vous êtes au bon endroit. Lisez la suite pour découvrir notre guide destiné aux débutants sur le GPU. 

Qu'est-ce qu'un GPU ?

Le processeur graphique (GPU) est un type de processeur informatique spécialisé. Il est parfois désigné sous les termes de carte graphique ou carte vidéo. Comme leur nom l’indique, les GPU ont été initialement conçus par les ingénieurs pour traiter les graphismes informatiques, notamment les images, les graphiques 3D et les vidéos, afin de permettre au CPU de se concentrer sur d’autres tâches de calcul à usage général. 

En réalité, leur conception va bien au-delà du simple rendu d’images et de vidéos : les GPU sont au cœur des progrès en intelligence artificielle (IA), en Machine Learning, en vision artificielle, etc. Ils permettent de réduire les éventuels blocages de traitement, ce qui offre des performances accrues, davantage de fonctionnalités et une meilleure expérience utilisateur. 

Poursuivez votre lecture pour comprendre pourquoi la technologie GPU est particulièrement performante pour ces utilisations et comment configurer de manière optimale votre ordinateur industriel pour qu'il les prenne en charge.

Mais avant tout, vous vous demandez peut-être quelle est la différence entre un GPU et un CPU. Pour répondre à cette question, commençons par les bases.

Qu'est-ce qu'un CPU ? 

Le CPU (Central Processing Unit, ou unité centrale de traitement) est généralement décrit comme le cerveau de l’ordinateur. Concrètement, il s’agit d’un circuit électronique qui traite les données (entrées, sorties et stockage) et assure le bon fonctionnement du système d’exploitation ainsi que des applications. 

Processeurs de calculs industriels

Le GPU comparé au CPU

Quelle est la différence entre un GPU et un CPU ? Ces deux unités sont des microprocesseurs à base de silicium qui traitent les données. Leur différence réside dans la manière dont ils traitent ces données et dans leurs unités de traitement physiques, à savoir leurs cœurs.

  • Traitement des données

    • Les CPU effectuent un traitement séquentiel ; ils traitent les données tâche après tâche.

    • Les GPU effectuent un traitement parallèle ; ils exécutent de multiples calculs en même temps.

  • Les cœurs 

    • Les CPU possèdent un nombre restreint de cœurs. Ce nombre varie de manière significative entre un modèle et un autre.

      • Par exemple :

        • Les processeurs Intel® de la série N proposent entre 4 et 8 cœurs à haute efficacité, tandis que les processeurs à architecture hybride peuvent comprendre jusqu’à 24 cœurs. (Notons que la technologie Hybrid Core a été introduite par Intel avec la 12e génération. Pour en savoir plus, consultez ce lien.)

        • Les processeurs AMD Ryzen disposent de 8 cœurs, tandis que les processeurs EPYC Embedded série 7000 peuvent disposer d'un nombre de cœurs qui peut s'élever à 64.

    • Les GPU peuvent compter de quelques centaines à plusieurs milliers de cœurs, similaires à ceux des CPU, mais de taille plus réduite.

      • Par exemple, les GPU NVIDIA Blackwell RTX Pro disposent de 24 064 cœurs CUDA et intègrent 752 cœurs Tensor de 5e génération ainsi que 188 cœurs RT de 4e génération, destinés aux charges de calcul intensives en IA, en rendu et en simulation.

Un homme installe 4 GPU NVIDIA Blackwell dans un serveur Edge onLogic AX300.

Types de cœurs GPU : RT, Tensor et CUDA

Plus haut, nous avons mentionné trois types de cœurs présents dans le GPU. Voici donc quelques définitions rapides les concernant. 

  • Les cœurs RT, ou cœurs Ray Tracing, permettent aux systèmes informatiques de produire des graphismes photoréalistes avec un éclairage physiquement précis, notamment les reflets, les ombres et d’autres effets avancés.

  • Les cœurs Tensor sont spécifiquement conçus pour les opérations matricielles, ce qui les rend particulièrement adaptés à l’accélération des charges de calcul en apprentissage profond et en intelligence artificielle.

  • Les cœurs CUDA représentent le type de cœur de calcul principal chargé d’exécuter des calculs mathématiques parallèles complexes. Au sein d’une même génération de GPU, un plus grand nombre de cœurs CUDA entraîne généralement des performances supérieures. (Notons que CUDA signifie Compute Unified Device Architecture.) 

Quelles sont les utilisations d’un GPU ? 

Les CPU et les GPU sont très bons en mathématiques. Mais comme mentionné ci-dessus, les CPU effectuent le traitement des équations une tâche après l'autre. D'autre part, un GPU peut traiter les équations toutes en même temps. Pour cette raison, les GPU offrent une puissance de calcul extraordinaire pour des calculs mathématiques complexes. 

En pratique, le rendu d’images et de graphismes repose sur une série de calculs mathématiques. Or, tel qu'indiqué précédemment, les GPU y excellent. En effet, ils permettent d’accélérer ces traitements et d’obtenir de meilleures performances graphiques, d’où leur appellation d’« accélérateurs ». Bien que les GPU aient été initialement conçus pour accélérer le traitement graphique, les ingénieurs ont rapidement découvert que les GPU modernes pouvaient relever les défis mathématiques de nombreux autres cas d’usage, tels que les suivants : 

  • Jeux vidéo

  • Montage vidéo

  • Réalité virtuelle

  • Recherche scientifique

  • Rendu 3D

  • Minage de cryptomonnaies

  • Intelligence artificielle (IA)

  • Machine Learning (ML)

  • Vision artificielle

Bien que le calcul sur GPU soit particulièrement performant pour ces usages, cette puissance s’accompagne d’une consommation d’énergie élevée et d’une forte dissipation thermique. De ce fait, les GPU sont généralement utilisés pour les applications les plus spécialisées et les plus exigeantes en calcul.

Si l’utilisation des GPU pour les jeux vidéo, le montage vidéo, le minage de cryptomonnaies et la recherche scientifique est intéressante, cet article se concentrera sur leur utilisation pour des applications d’IA, de ML et de vision artificielle. Néanmoins, les concepts, composants et principes présentés s’appliquent, pour l’essentiel, à l’ensemble des applications. 

Découvrez nos ordinateurs équipés d'un GPU

Le GPU pour l'IA 

La puissante capacité de traitement des GPU a profondément transformé le secteur industriel pour les applications d’IA, de vision artificielle, de Machine Learning et d’apprentissage profond. Ces applications nécessitent la capacité de traiter de grandes quantités de données, de les classer et d’exploiter ces informations pour effectuer des inférences et des prévisions sur les résultats futurs.

Les types de GPU

Il existe deux principaux types de GPU : intégré et dédié. 

Le GPU intégré (iGPU)

Un GPU intégré, parfois appelé iGPU, est directement intégré au processeur (CPU) de l’ordinateur. Il partage l’alimentation et la mémoire système avec le CPU. En conséquence, les ordinateurs équipés de GPU intégrés sont économes en énergie et généralement plus légers et plus compacts. Toutefois, en raison du partage de la mémoire, les charges de calcul intensives du GPU peuvent entraîner une latence dans le traitement général du CPU. 

Le GPU dédié

Un GPU dédié est un processeur graphique totalement distinct du CPU et disposant de sa propre mémoire, appelée mémoire vidéo ou VRAM. Cette mémoire dédiée permet au GPU d’accéder immédiatement et à haute vitesse aux données prioritaires, notamment pour les grands modèles d’IA, les ensembles de données en cours de traitement, ou encore les textures haute résolution et les géométries complexes utilisées pour le rendu graphique.

Doté de sa propre mémoire, ce GPU n’a pas à s’appuyer sur la RAM du système (ni à en monopoliser l’usage). Les cartes graphiques dédiées offrent des performances supérieures, mais au prix d’une consommation énergétique plus élevée et d’une importante dissipation thermique. 

La tâche de maintenir un GPU dédié à une température adéquate est un élément clé de conception pour atteindre des performances maximales. Pour cette raison, les ingénieurs conçoivent ces GPU avec leurs propres ventilateurs de refroidissement, ce qui peut augmenter leur encombrement et leur consommation d’énergie.   

Connexion d'un GPU à votre ordinateur 

Les GPU peuvent être facilement ajoutés à l’intérieur d’un ordinateur via un logement PCIe. Cette interface standard est proposée sous forme de logement d'extension et de carte riser, ce qui permet une communication à haut débit entre des périphériques informatiques gourmands en données, tels que les GPU, et la carte mère. 

Il convient de noter qu’il est possible aussi de configurer un GPU à l’extérieur d’un ordinateur. Parfois appelé eGPU, il se connecte à une station d’accueil utilisant le même type d’interface, un port PCIe. La station d’accueil se relie à votre ordinateur via un câble Thunderbolt ou USB-C.

Logements PCIe contre lignes PCIe

Logements PCIe

L’interface physique utilisée pour connecter des périphériques PCIe est appelée « logement PCIe ». Elle existe en quatre formats, du plus long au plus court : x16, x8, x4 et x1. La taille du logement indique sa longueur, mais ne reflète pas forcément la bande passante disponible. 

Et donc, quel logement PCIe utiliser pour un GPU ? La plupart des GPU sont conçus pour se connecter à un logement x16. Il convient toutefois de noter que tous les GPU n’exploitent pas pleinement la connectivité électrique, ou le nombre de « lignes », offerte par cette taille de logement.

Photo des emplacements PCIe 5.0

Lignes PCIe

Les capacités de bande passante de transfert d’un logement PCIe sont assurées par les lignes PCIe bidirectionnelles. Il s’agit des connexions physiques qui relient le GPU à la carte mère. Le nombre de lignes PCIe peut être de 1 ligne (x1), 4 lignes (x4), 8 lignes (x8) ou 16 lignes (x16). Effectivement, il s’agit de la même convention de nommage que pour les logements, mais ces éléments ne correspondent pas nécessairement. Par exemple, un logement PCIe x16 peut être câblé pour n’exploiter que 8 lignes (x8) tel que souligné ici.  

Quel est le nombre de lignes PCIe qu'un GPU utilise ?

La réponse à cette question est « cela dépend » ! La considération la plus importante est le débit, un facteur déterminé par la génération PCIe et le nombre de lignes PCIe. 

Débit PCIe

Chaque génération de PCIe double le débit par rapport à la génération précédente. Notons que le débit correspond à la vitesse brute de transfert des données et s’exprime en gigatransferts par seconde (GT/s). Les GT/s diffèrent d’une mesure de bande passante comme les gigaoctets par seconde (Go/s) étant donné qu'ils prennent en compte à la fois les données elles-mêmes et la surcharge nécessaire à leur encodage, leur transfert et leur décodage par le système récepteur. 

Débit = Taux de transmission × schéma d’encodage

Nombre de lignes PCIe

Débit binaire théorique maximal

PCIe 3.0

Débit binaire théorique maximal

PCIe 4.0

Débit binaire théorique maximal

PCIe 5.0

Débit binaire théorique maximal

PCIe 6.0

GPU avec 16 lignes

16 lignes x 8 (GT/s/ligne) = 128 GT/s

16 lignes x 16 (GT/s/ligne) = 256 GT/s

16 lignes x 32 (GT/s/ligne) = 512 GT/s

16 lignes x 64 (GT/s/ligne) = 1 024 GT/s

GPU avec 8 lignes

8 lignes x 8 (GT/s/ligne) = 64 GT/s

8 lignes x 16 (GT/s/ligne) = 128 GT/s

8 lignes x 32 (GT/s/ligne) = 256 GT/s

8 lignes x 64 (GT/s/ligne) = 512 GT/s

En résumé, le débit de données plus élevé offert par les nouvelles générations de PCIe ouvre la voie à davantage d’options de configuration.  

La puissance des GPU au service de l’IA dans les ordinateurs industriels  

Les ordinateurs industriels peuvent être équipés de GPU pour des applications d’IA et d’apprentissage profond. Les ingénieurs ont conçu ces systèmes pour résister à des environnements extrêmes, ce qui permet aux entreprises de déployer des algorithmes d’IA quasiment partout où cela est nécessaire.

Par exemple, ils permettent de soutenir des robots dans les installations de fabrication, les entrepôts et même dans les champs agricoles, où ils sont exposés à des vibrations et à des températures extrêmes. Ils sont aussi utilisés pour des applications d’inspection qualité, parfois directement sur les lignes de production, dans des environnements potentiellement dangereux pour les opérateurs. 

Une photo du robot box hopper soulevant des boîtes en carton ondulé pour les déplacer vers la machine suivante.

Un bras robotisé développé par Rigorous Technologies, utilisé pour déplacer des cartons dans une installation de production moderne.

Points à prendre en compte lors de l’intégration d’un GPU dans un ordinateur industriel

Les ordinateurs industriels sont conçus pour résister à des environnements extrêmes. Une caractéristique courante de leur conception est l’absence de ventilateur et d’ouvertures de ventilation. Bien que ceci présente de nombreux avantages, cette approche n’est pas adaptée à tous les GPU, certains ayant une consommation d’énergie nettement plus élevée que les CPU et pouvant générer une quantité importante de chaleur.  

Utilisation d'un iGPU en IA industrielle

L’utilisation et le refroidissement de cartes graphiques intégrées capables d’alimenter une solution simple de reconnaissance d’images et d’objets sont tout à fait possibles avec une conception sans ventilateur, en particulier avec les processeurs les plus récents et particulièrement puissants.  

Une conception sans ventilateur permet de bénéficier d'un ordinateur au format compact, ce qui offre davantage de flexibilité en matière d’installation. De plus, étant donné qu'un tel ordinateur ne nécessite pas de ventilateur pour faire circuler l’air à l’intérieur du châssis, il peut être installé dans des environnements poussiéreux ou chargés en débris et/ou soumis à des vibrations. 

Par exemple, un iGPU intégré à un ordinateur industriel compact comme le HX401 peut convenir parfaitement pour l’exécution d’un modèle d’inférence IA, après son entraînement sur un serveur de périphérie doté de GPU, comme le serveur de périphérie Axial AC101 d'OnLogic.

Une main tenant un ordinateur industriel compact - le HX401 d'OnLogic.

Serveur de périphérie Axial AC101 montage sur rack avec GPU activé

Utilisation d'un GPU dédié en IA industrielle

Les solutions d’IA ou de ML plus avancées peuvent nécessiter l’utilisation d’une carte graphique dédiée. Comme mentionné précédemment, les GPU produisent beaucoup de chaleur. Leur refroidissement est donc un facteur clé, et la plupart des GPU discrets intègrent leurs propres ventilateurs. 

OnLogic propose une gamme complète d’ordinateurs hybrides sans ventilateur dotés d’une baie d’extension isolée. Vous pouvez y installer un GPU et le refroidir activement à l’aide d’un ventilateur. Pendant ce temps, la carte mère et les autres composants internes sensibles sont protégés dans la partie sans ventilation du châssis. En cas de remplacement du GPU, celui-ci reste facilement accessible. Par exemple, l’ordinateur hybride sans ventilateur HX600 d'OnLogic dispose d’ouvertures de ventilation dédiées aux GPU ou à d’autres accélérateurs, visibles en dessous du côté gauche du châssis.

photo de l'ordinateur hybride sans ventilateur OnLogic HX600 montrant les évents pour la partie refroidie par calcul

La série Karbon 800 : robustesse, puissance et configuration GPU possible

À titre d’exemple supplémentaire, le Karbon 804 est un ordinateur hybride sans ventilateur qui offre une puissance de calcul haute performance (HPC) et des options de cartes d’extension GPU compatibles PCIe Gen 4.0. Le débit exceptionnel offert par le PCIe Gen 4 vous offre davantage de flexibilité dans le choix des logements et des lignes à utiliser pour votre GPU.

  • Option 1 : une seule carte riser PCIe avec un logement x16 et 16 lignes PCIe (x16), permettant d’atteindre un débit de 256 GT/s. 

  • Option 2 : une carte riser double offrant deux logements x16 avec 8 lignes (x8) chacun. Vous pouvez utiliser un logement pour le GPU, offrant un débit de 128 GT/s. Pour de nombreuses applications d’IA, ce débit est largement suffisant. De plus, l’ordinateur dispose ainsi d’un logement libre, offrant davantage de flexibilité pour des options d’extension supplémentaires.

Ordinateur robuste K804 avec espace d'extension pour GPUSchéma de l'ordinateur durci K804 montrant les emplacements d'extension

 

Besoin d’une solution plus compacte ? Le Karbon 803 offre un encombrement légèrement réduit avec un seul logement PCIe Gen 4 x16.

OnLogic K803 - un ordinateur robuste orange qui peut prendre en charge un GPU

Helix 525 et Karbon 525 : des concentrés de puissance pour l’IA en périphérie

Les modèles Helix 525 et Karbon 525 sont des plateformes puissantes pour l’IA en périphérie et configurables avec un GPU NVIDIA MXM pour l’accélération. Ces systèmes sont conçus pour fonctionner à des températures élevées, offrir des cycles de vie prolongés et résister aux chocs et aux vibrations. Le GPU est isolé des intrusions, étant donné que son refroidissement par air est compartimenté et séparé de l’ensemble des composants électroniques. Offrant une faible latence et une grande fiabilité, ces systèmes sont le choix parfait pour le traitement d’images en temps réel dans des environnements industriels tels que la fabrication et le transport.

Est-ce toujours nécessaire d'avoir un GPU pour les applications d’IA en périphérie ? 

Pour de nombreuses tâches d’IA en périphérie, un GPU dédié est souvent inutile et peut même être surdimensionné par rapport aux besoins réels. Lorsqu’on travaille avec des systèmes déployés hors des centres de données, il est essentiel de trouver le bon équilibre entre performances, coût et efficacité énergétique. Les ordinateurs industriels équipés de coprocesseurs IA spécialisés, tels que les accélérateurs Hailo ou les NPU intégrés, offrent d’excellentes performances en deep learning avec une faible consommation électrique. En supprimant le recours à des GPU à forte consommation énergétique, ces processeurs permettent de concevoir des systèmes sans ventilateur et robustes, capables de fonctionner de manière fiable dans des environnements difficiles avec un encombrement matériel nettement réduit.

Pour en apprendre davantage, consultez notre article de blogue « Dimensionnement optimal de votre matériel d'IA en périphérie ».  

Configurez le vôtre 

Prêt à exploiter la puissance d’un GPU pour votre solution d’intelligence artificielle, de Machine Learning ou de vision artificielle ? OnLogic vous propose de nombreuses options pour vous aider à démarrer. Si vous avez besoin d’accompagnement, les membres de notre équipe technico-commerciale ont aidé de nombreux clients à définir la configuration la plus adaptée, tout en garantissant un équilibre optimal entre performance, options et coût. 

Découvrez nos ordinateurs équipés d'un GPU

Sarah Lavoie Créatrice de Contenu pour OnLogic
Sarah Lavoie
Marketing de contenu / Marketing, OnLogic
Sarah Lavoie est créatrice de contenu pour OnLogic. Quand elle n'écrit pas, elle explore généralement le paysage du Vermont avec son appareil photo à la recherche de quelque chose d'incroyable à photographier.

Restez informé.

Soyez le premier à découvrir en exclusivité les derniers produits, les innovations de l'Industrie 4.0 et les événements OnLogic.