تدريب وحدات GPU من AMD باستخدام Ultralytics YOLO وROCm#

تدعم Ultralytics التدريب والتحقق والاستدلال على وحدات GPU المتوافقة من AMD من خلال PyTorch ROCm. يعرض PyTorch أجهزة ROCm عمدًا من خلال واجهة Python نفسها torch.cuda المستخدمة مع CUDA، ولذلك لا تحتاج Ultralytics إلى نوع جهاز منفصل rocm لنماذج PyTorch الأصلية. ثبّت إصدار ROCm من PyTorch، ثم حدّد وحدة GPU من AMD باستخدام الصيغة القياسية device=0 أو device=cuda:0.

توفّر AMD أيضًا تقنيات استدلال منفصلة عن PyTorch ROCm. ولا يعني دعم أحد منتجات AMD دعم كل بيئة تشغيل أو مسرّع من AMD.

نظرة سريعة على الدعم#

يوضح هذا الجدول حزمة Ultralytics Python المستخدمة للتدريب والتحقق والتصدير والتنبؤ.

لماذا يستخدم ROCm أسماء أجهزة CUDA؟#

يستخدم إصدار ROCm من PyTorch مكتبة HIP داخليًا، لكنه يعيد استخدام واجهات torch.cuda عمدًا. فعلى سبيل المثال، تعمل torch.cuda.is_available() وtorch.cuda.device_count() وtorch.cuda.get_device_name() مع وحدات GPU المدعومة من AMD. يتيح هذا التصميم لمسار التدريب نفسه في Ultralytics خدمة CUDA من NVIDIA وROCm من AMD دون واجهة خلفية مكررة.

راجع دلالات PyTorch HIP الرسمية لمزيد من التفاصيل.

تثبيت PyTorch ROCm#

1. تحقّق من ظهور نظام التشغيل ووحدة GPU لديك في مصفوفة توافق ROCm.

2. استخدم محدِّد تثبيت PyTorch لاختيار إصدار ROCm المتوافق مع إصدار ROCm المثبّت لديك.

3. ثبّت Ultralytics بعد PyTorch:

   pip install ultralytics

4. تحقّق من أن PyTorch يتعرّف على وحدة GPU من AMD:

   import torch
   
   print(torch.cuda.is_available())
   print(torch.cuda.get_device_name(0))
   print(torch.version.hip)

ينبغي أن يعيد torch.cuda.is_available() القيمة True، وينبغي أن يحدّد اسم الجهاز وحدة GPU من AMD لديك، كما ينبغي أن يعرض torch.version.hip إصدار HIP الذي يوفّره إصدار ROCm.

التدريب على وحدة GPU من AMD#

استخدم وسيطات الجهاز نفسها المستخدمة في وضع التدريب في Ultralytics القياسي.

from ultralytics import YOLO

model = YOLO("yolo26n.pt")

# Train on the first AMD GPU exposed by PyTorch ROCm
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device=0)

# Train across two AMD GPUs
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device=[0, 1])

يستخدم كل من التحقق والتنبؤ اختيار الجهاز نفسه:

yolo detect val model=path/to/best.pt data=coco8.yaml device=0
yolo predict model=path/to/best.pt source=path/to/image.jpg device=0

توافق AMP#

تفعّل Ultralytics ميزة AMP افتراضيًا وتقارن بين نتائج الدقة الكاملة والدقة المختلطة قبل التدريب. إذا اكتشف الفحص نتائج غير متوافقة، تُعطَّل AMP لمنع خسائر NaN أو التدريب بقيمة mAP تساوي صفرًا. قد يتغير سلوك AMP في ROCm باختلاف إصداري PyTorch وROCm، لذا استخدم amp=False عند استكشاف أخطاء فشل خاصة بحزمة معينة:

yolo detect train data=coco8.yaml model=yolo26n.pt device=0 amp=False

الميزات غير المدعومة بعد#

MIGraphX#

يُعد MIGraphX بيئة تشغيل من AMD لتحسين الرسوم البيانية والاستدلال. ولا يتضمن إصدار حزمة Ultralytics Python الحالية تحميل نماذج MIGraphX الأصلي. ويجري تتبّع التنفيذ النشط وحاوية AMD والتبِعيات والاختبارات والتوثيق معًا في PR #24137. وإلى أن يندمج هذا العمل ويحصل على التحقق باستخدام أجهزة AMD، لا ينبغي وصف تصدير نموذج ONNX بأنه دعم أصلي لـ MIGraphX في حزمة Python.

DirectML#

لا تحتوي حزمة Ultralytics Python على واجهة خلفية لـ DirectML لتدريب Windows أو التنبؤ عليه. يختلف DirectML عن ROCm، ولا تفعّل بيئة ROCm العاملة device=directml.

وحدة NPU في Ryzen AI#

لا تُعرَض وحدات NPU في Ryzen AI من خلال PyTorch ROCm، وليست أجهزة أصلية في Ultralytics. قد تصدّر سير عمل المجتمع نماذج YOLO إلى ONNX وتشغّلها باستخدام أدوات Ryzen AI أو Vitis AI الخارجية من AMD، لكن بيئة التشغيل والتحويل و توافق الأجهزة الخاصة بذلك تقع خارج مسار التنفيذ المدعوم في Ultralytics.

الملخص#

استخدم إصدار PyTorch ROCm متوافقًا مع device=0 أو device=cuda:0 لتدريب وحدات GPU المدعومة من AMD والتحقق منها والاستدلال عليها. وتعامل مع MIGraphX وDirectML وNPU في Ryzen AI بوصفها إمكانات منفصلة: فلا يتم تفعيل أي منها بمجرد تثبيت ROCm أو تصدير نموذج ONNX.

الأسئلة الشائعة#