Cas d’usage · vision par ordinateur
GPU pour la vision par ordinateur : budgets de détection mesurés en epochs
Les charges de travail de vision sont par nature en dents de scie — un sprint d’entraînement, une énorme tâche par lots, puis plus rien. La facturation à la seconde s’accorde parfaitement : une epoch de YOLO11 pour environ $0,02, un balayage d’archives pour le prix d’un café, zéro dépense au repos entre les sprints.
Les cartes vision, classées
| Palier | GPU | VRAM | À la demande | Interruptible | Pourquoi cette carte | Action |
|---|---|---|---|---|---|---|
| Bon | RTX 3090 | 24 GB | $0,148 | $0,074 | 24 GB à un prix très bas — gros batches pour un entraînement à forte augmentation de données. | Déployer |
| Meilleur | RTX A5000 | 24 GB | $0,149 | $0,074 | ECC et refroidissement blower pour des tâches d’entraînement d’une semaine ; le choix de la fiabilité. | Déployer |
| Le meilleur | RTX 4090 | 24 GB | $0,354 | $0,177 | Le meilleur rapport epochs/dollar — le choix par défaut pour les fine-tunes YOLO, segmentation et ViT. | Déployer |
Flottes d’inférence par lots : Tesla T4 à partir de $0,104/h — les détecteurs TensorRT remarquent à peine la carte plus petite.
Deux tâches typiques, chiffrées
| Entraîner YOLO11m, 100 epochs | 50k images @ 640px, RTX 4090 interruptible | ≈ $2,12 |
|---|---|---|
| Balayer 1M de photos archivées | Détecteur TensorRT, 4 × Tesla T4 en parallèle | ≈ $0,19 |
| Volume du jeu de données 150 GB | images + labels + runs, un mois | $12,00 |
Des pipelines qui passent en scale to zero
- Ultralytics/MMDetection dans le template PyTorch — pip install, puis entraînement.
- Exporter vers TensorRT avant les runs par lots — 3–5× le débit sur la même carte.
- Décodage vidéo GPU — NVDEC garde le CPU hors du chemin critique pour les flux des caméras.
- Poids sur un volume, instances jetables — réentraînez le vendredi, ne payez que le vendredi.
GPU pour la vision par ordinateur : FAQ
Quel GPU pour entraîner des modèles YOLO ?
Une RTX 4090 entraîne YOLO11m sur un jeu de données de 50k images à environ 7 minutes par epoch — environ $0,02/epoch en interruptible. 24 GB permet de grands batches à 640px ; ne passez au multi-GPU qu’au-delà de quelques centaines de milliers d’images.
Qu’en est-il de l’inférence par lots sur une archive ?
Les cartes bon marché brillent : une Tesla T4 à $0,104/h pousse des centaines de frames/s avec un détecteur exporté en TensorRT. Un million d’images coûte quelques dollars — répartissez la file sur plusieurs instances et c’est terminé le temps d’un déjeuner.
Prenez-vous en charge les pipelines vidéo ?
Oui — NVDEC/NVENC sont exposés dans les conteneurs et les VM, si bien que le pipeline décodage → détection → encodage tourne entièrement sur GPU (DeepStream, PyAV, builds ffmpeg dans le template PyTorch).