تدريب AMD GPU والاستدلال باستخدام Ultralytics YOLO وROCm وMIGraphX#

تعمل Ultralytics YOLO على وحدات معالجة الرسومات AMD Instinct ووحدات Radeon المدعومة عبر ROCm، وهي حزمة AMD المفتوحة للحوسبة على GPU. باستخدام إصدار PyTorch المبني لـ ROCm، يمكنك التدريب والتحقق والتنبؤ بنماذج .pt باستخدام وسيطة device=0 نفسها المستخدمة مع أي GPU آخر، دون تغيير الشيفرة.

للنشر، صدّر النموذج المُدرّب إلى ONNX وشغّله عبر MIGraphX، محرّك AMD لتحسين الرسوم البيانية والاستدلال. تكتشف الواجهة الخلفية لـ ONNX في Ultralytics وجود ROCm وتختار MIGraphXExecutionProvider الخاص بـ ONNX Runtime تلقائياً؛ وبذلك يعمل استدعاء predict نفسه، المستخدم على وحدات NVIDIA GPU، على وحدات AMD GPU. وتشغّل عمليات التكامل المستمر المجدولة في Ultralytics تصدير ONNX والاستدلال باستخدام MIGraphX لكل مهمة على أجهزة AMD GPU.

التثبيت#

يُثبّت مكدس Python بالكامل عبر pip من فهارس حزم wheel الخاصة بـ ROCm التابعة لـ AMD، لذا لا حاجة إلى حزم apt أو صلاحيات الجذر لتثبيت PyTorch أو الملحق أو مكتبات وقت تشغيل ROCm، شريطة أن يكون برنامج تشغيل نواة AMD GPU (amdgpu / /dev/kfd) مثبتاً مسبقاً على المضيف.

# Read the GPU architecture from the amdgpu driver, e.g. device-gfx1151
GPU_ARCH=$(grep -rhs '^gfx_target_version' /sys/class/kfd/kfd/topology/nodes | awk '$2 {printf "device-gfx%d%d%x\n", int($2/10000), int($2/100)%100, $2%100}' | sort -u | paste -sd, -)

# ROCm PyTorch + torchvision for the detected architecture
pip install "torch[${GPU_ARCH:?No AMD GPU found}]" "torchvision[$GPU_ARCH]" --index-url https://stable.repo.amd.com/rocm/whl-next/

# Ultralytics
pip install ultralytics

تثبّت Ultralytics onnx تلقائياً عند أول تصدير إلى ONNX. وعند أول عملية استدلال بـ ONNX على نظام ROCm، تثبّت أيضاً ملحق موفّر التنفيذ MIGraphX (onnxruntime-ep-migraphx) ومكتبات وقت تشغيل MIGraphX التي يحمّلها (migraphx-libs)، مع تثبيت إصدارات جرى اختبارها معاً. لا يُنشر الملحق إلا لأنظمة Linux x86_64 التي تستخدم Python 3.11 أو أحدث؛ وفي إصدارات Python أو البنى الأخرى، أو عند استخدام YOLO_AUTOINSTALL=false دون تثبيت الملحق، يعود استدلال ONNX إلى CPU مع إصدار تحذير. للحصول على تعليمات مفصلة وأفضل الممارسات، راجع دليل تثبيت YOLO26؛ وإذا واجهت أي صعوبات، فراجع دليل المشكلات الشائعة.

تحقق من أن PyTorch يتعرّف على AMD GPU قبل التدريب أو التصدير:

import torch

print(torch.cuda.is_available())  # ⁨صحيح عند عمل تثبيت ROCm⁩
print(torch.cuda.get_device_name(0))  # ⁨اسم AMD GPU، مثل AMD Radeon 8060S⁩
print(torch.version.hip)  # ⁨إصدار HIP في إصدار PyTorch المبني لـ ROCm؛ وقيمته None في إصداري CUDA أو CPU⁩

التدريب على وحدات AMD GPU باستخدام PyTorch ROCm#

يعمل التدريب والتحقق والتنبؤ الأصلي على نماذج .pt على وحدات AMD GPU عبر PyTorch ROCm، بصورة مستقلة عن مسار الاستدلال باستخدام MIGraphX الموضح أدناه. ثبّت إصدار PyTorch المبني لـ ROCm كما هو موضح في التثبيت، واستخدم وسيطات الجهاز نفسها المستخدمة في أي عملية تدريب Ultralytics أخرى:

from ultralytics import YOLO

model = YOLO("yolo26n.pt")

# ⁨التدريب على أول AMD GPU يتيحه PyTorch ROCm⁩
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device=0)

# ⁨التدريب على وحدتي AMD GPU⁩
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device=[0, 1])

يستخدم التحقق والتنبؤ بنماذج .pt 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

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

التصدير والاستدلال باستخدام MIGraphX#

ONNX Runtime هو محرك استدلال متعدد المنصات يشغّل نموذج ONNX واحداً على العديد من الأنظمة الأساسية للأجهزة عبر موفّري التنفيذ القابلين للتركيب (EPs). يعيّن كل موفّر تنفيذ رسم ONNX البياني إلى مسرّع محدد: CUDA لوحدات NVIDIA GPU، وCoreML لشرائح Apple، وMIGraphX لوحدات AMD GPU على ROCm؛ ويُوزّع MIGraphX على هيئة الملحق onnxruntime-ep-migraphx الذي يترجم الرسم البياني إلى برنامج محسّن لوحدة GPU لديك.

يستخدم الاستدلال بـ MIGraphX تصدير ONNX القياسي. صدّر النموذج إلى ONNX (format="onnx")، وسيستخدم استدلال Ultralytics تلقائياً الواجهة الخلفية MIGraphXExecutionProvider لتشغيل نموذج ONNX على AMD GPU لديك.

الميزات الرئيسية للاستدلال باستخدام MIGraphX#

• الاختيار التلقائي لموفّر التنفيذ: على مضيف ROCm، تسجّل الواجهة الخلفية لـ ONNX الملحق وتختار MIGraphXExecutionProvider دون الحاجة إلى تغيير الشيفرة. وإذا كان الملحق مفقوداً أو تعذّر تحميله، يعود الاستدلال إلى CPU مع إصدار تحذير.
• تحسين الرسم البياني: يطبّق MIGraphX دمج العمليات وتخطيط الذاكرة واختيار النوى بما يلائم بنيات AMD GPU.
• ربط الإدخال/الإخراج دون نسخ: تُربط المدخلات والمخرجات مباشرةً بموترات GPU عبر بروتوكول DLPack، ما يجنّب عمليات النقل ذهاباً وإياباً إلى المضيف أثناء الاستدلال.
• خيارات الدقة: شغّل النموذج باستخدام FP32 أو صدّر نموذج ONNX بصيغة FP16 للاستدلال بدقة أقل.
• ملف قابل للنقل: يعمل ملف .onnx واحد على وحدات CPU وNVIDIA GPU وAMD GPU، ما يتيح استهداف منصات متعددة من عملية تصدير واحدة.
• نشر قابل لإعادة الإنتاج: يُثبّت المكدس الكامل (PyTorch ROCm وملحق MIGraphX ومكتباته) عبر pip من فهارس حزم wheel الخاصة بـ ROCm التابعة لـ AMD.

المهام المدعومة#

يدعم الاستدلال باستخدام MIGraphX مهام Ultralytics السبع كلها. ولا يتوفر التجزئة الدلالية وتقدير العمق إلا مع YOLO26، وهي العائلة الوحيدة التي تتضمن هذين الرأسين.

الاستخدام#

قبل التعمق في تعليمات الاستخدام، احرص على الاطلاع على مجموعة نماذج YOLO26 التي تقدمها Ultralytics. سيساعدك ذلك على اختيار النموذج الأنسب لمتطلبات مشروعك.

يدعم تنسيق ONNX أوضاع التصدير والتنبؤ والتحقق. يتطلب الاستدلال والتحقق على AMD GPU نظام ROCm مثبتاً عليه ملحق MIGraphX. صدّر نموذجك، ثم حمّل النموذج المُصدّر لتشغيل الاستدلال أو التحقق من دقته على device=0.

from ultralytics import YOLO

# ⁨تحميل نموذج YOLO26⁩
model = YOLO("yolo26n.pt")

# ⁨تصدير النموذج إلى تنسيق ONNX⁩
model.export(format="onnx")  # ⁨ينشئ 'yolo26n.onnx'⁩

from ultralytics import YOLO

# ⁨تحميل نموذج ONNX المُصدَّر وتشغيل الاستدلال على GPU من AMD⁩
model = YOLO("yolo26n.onnx")

# ⁨يُحدَّد موفّر تنفيذ MIGraphX تلقائيًا على ROCm⁩
results = model.predict("https://ultralytics.com/images/bus.jpg", device=0)

from ultralytics import YOLO

# ⁨تحميل نموذج ONNX المُصدَّر⁩
model = YOLO("yolo26n.onnx")

# ⁨التحقق من الدقة على مجموعة بيانات COCO8 على GPU من AMD⁩
metrics = model.val(data="coco8.yaml", device=0)

وسيطات التصدير#

يعيد استدلال MIGraphX استخدام وسيطات تصدير ONNX. وفيما يلي الخيارات الأهم لنشر النماذج على GPU من AMD:

للاطلاع على القائمة الكاملة لوسيطات التصدير، راجع تكامل ONNX وصفحة توثيق Ultralytics الخاصة بالتصدير.

النشر على وحدات GPU من AMD باستخدام MIGraphX#

لإعداد بيئة جاهزة للتشغيل، تنشئ Dockerfile-amd صورة ultralytics/ultralytics:latest-amd المثبّت فيها مسبقًا PyTorch بإصدار ROCm وMIGraphX EP. راجع استخدام وحدات GPU في دليل Docker للبدء السريع لمعرفة خيارات docker run التي تتيح لوحدات GPU من AMD العمل داخل الحاوية.

المعايير المرجعية#

أجرى فريق Ultralytics الاختبارات المعيارية لـ YOLO26 أدناه على GPU من طراز AMD Radeon 8060S (Ryzen AI Max+ PRO 395)، وقارن السرعة والدقة بين PyTorch وONNX باستخدام موفّر تنفيذ MIGraphX. يعمل التنسيقان بدقة FP32 على GPU، إذ يستخدم PyTorch تقنية ROCm ويستخدم ONNX تقنية MIGraphX.

لمحة سريعة عن الدعم#

لا يعني دعم منتج أو بيئة تشغيل واحدة من AMD دعم جميع مسرّعات AMD. يلخّص هذا الجدول الحالة الحالية في حزمة Python من Ultralytics.

الملخص#

في هذا الدليل، تعلّمت كيفية تدريب نماذج Ultralytics YOLO26 على وحدات GPU من AMD باستخدام PyTorch ROCm عبر الوسيط القياسي device=0، ثم تصديرها إلى ONNX لإجراء استدلال مُسرَّع بواسطة موفّر تنفيذ MIGraphX في ONNX Runtime. يحدّد نظام ONNX الخلفي MIGraphXExecutionProvider تلقائيًا، ويخزّن البرنامج المُترجَم مؤقتًا لتسريع عمليات التحميل اللاحقة، ويدعم جميع مهام YOLO26 دون الحاجة إلى تغيير الشيفرة.

للاطلاع على أهداف نشر أخرى، تصفّح صفحة دليل التكامل، وقارن تنسيقات التصدير باستخدام وضع الاختبار المعياري.

الأسئلة الشائعة#