Сценарий использования · компьютерное зрение
GPU для компьютерного зрения: бюджеты на детекцию, измеряемые в эпохах
Нагрузки в компьютерном зрении по природе неравномерны — рывок обучения, огромная батч-задача, а затем ничего. Посекундная тарификация подходит идеально: эпоха YOLO11 — примерно за $0,02, обработка архива — по цене чашки кофе, а расходы на простой между рывками — нулевые.
Рейтинг карт для компьютерного зрения
| Уровень | GPU | VRAM | По требованию | Прерываемые | Почему эта карта | Действие |
|---|---|---|---|---|---|---|
| Хороший | RTX 3090 | 24 GB | $0,148 | $0,074 | 24 GB по минимальной цене — большие батчи для обучения с активной аугментацией. | Развернуть |
| Лучший | RTX A5000 | 24 GB | $0,149 | $0,074 | ECC + турбинное охлаждение для недельных очередей обучения — выбор в пользу надёжности. | Развернуть |
| Самый лучший | RTX 4090 | 24 GB | $0,354 | $0,177 | Максимум эпох за доллар — выбор по умолчанию для файнтюнинга YOLO, сегментации и ViT. | Развернуть |
Парки для батч-инференса: Tesla T4 от $0,104/ч — детекторы TensorRT почти не замечают более слабую карту.
Две типичные задачи, с расчётом стоимости
| Обучение YOLO11m, 100 эпох | 50 тыс. изображений @ 640px, RTX 4090 прерываемый | ≈ $2,12 |
|---|---|---|
| Обработка 1 млн архивных фото | Детектор TensorRT, 4 × Tesla T4 параллельно | ≈ $0,19 |
| Объём датасета 150 GB | изображения + разметка + прогоны, один месяц | $12,00 |
Пайплайны, масштабируемые до нуля
- Ultralytics/MMDetection в шаблоне PyTorch — pip install и обучение.
- Экспорт в TensorRT перед батч-прогонами — прирост пропускной способности в 3–5× на той же карте.
- Видеодекодирование на GPU — NVDEC исключает CPU из горячего пути обработки видеопотоков с камер.
- Веса на томе, инстансы одноразовые — переобучение по пятницам, оплата только по пятницам.
GPU для компьютерного зрения: FAQ
Какой GPU для обучения моделей YOLO?
RTX 4090 обучает YOLO11m на датасете из 50 тыс. изображений примерно за 7 минут на эпоху — около $0,02/эпоха в прерываемом режиме. 24 GB вмещает большие батчи при 640px; переходите на мульти-GPU только после нескольких сотен тысяч изображений.
Что насчёт батч-инференса по архиву?
Дешёвые карты не подводят: Tesla T4 за $0,104/ч выдаёт сотни кадров/с с детектором, экспортированным в TensorRT. Миллион изображений обходится в несколько долларов — распределите очередь по нескольким инстансам, и всё завершится за обеденный перерыв.
Поддерживаете ли вы видеопайплайны?
Да — NVDEC/NVENC доступны в контейнерах и VM, поэтому декодирование → детекция → кодирование выполняются полностью на GPU (DeepStream, PyAV, сборки ffmpeg в шаблоне PyTorch).