تدريب وحدات GPU من AMD باستخدام Ultralytics YOLO وROCm#

تدعم Ultralytics التدريب والتحقق والاستدلال على وحدات GPU المتوافقة من AMD عبر PyTorch ROCm. تكشف PyTorch عمدًا عن أجهزة ROCm باستخدام واجهة torch.cuda نفسها في Python المستخدمة مع CUDA، لذلك لا تحتاج Ultralytics إلى نوع جهاز منفصل باسم rocm لنماذج PyTorch الأصلية. ثبّت إصدار PyTorch المبني باستخدام ROCm، ثم اختر وحدة GPU من AMD باستخدام صيغة device=0 أو device=cuda:0 القياسية.

تقدم AMD أيضًا تقنيات للاستدلال منفصلة عن PyTorch ROCm. ولا يعني دعم أحد منتجات AMD دعم جميع بيئات التشغيل أو المسرّعات من AMD.

نظرة سريعة على الدعم#

يصف هذا الجدول حزمة Python من Ultralytics المستخدمة للتدريب والتحقق والتصدير والتنبؤ.

لماذا يستخدم ROCm أسماء أجهزة CUDA#

يستخدم إصدار PyTorch المبني باستخدام ROCm تقنية 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 في مصفوفة توافق ROCm.

2. استخدم أداة اختيار تثبيت PyTorch لاختيار إصدار ROCm المطابق لإصدار ROCm المثبّت لديك.

3. ثبّت Ultralytics بعد PyTorch:

   pip install ultralytics

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

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

من المفترض أن يعيد torch.cuda.is_available() القيمة True، وأن يحدد اسم الجهاز وحدة GPU من AMD، وأن يعرض torch.version.hip إصدار HIP الذي يوفره إصدار ROCm.

التدريب على وحدة GPU من AMD#

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

from ultralytics import YOLO

model = YOLO("yolo26n.pt")

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

# ⁨التدريب على وحدتي GPU من AMD⁩
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 AMP افتراضيًا وتقارن نتائج الدقة الكاملة بنتائج الدقة المختلطة قبل التدريب. إذا كشف الاختبار عن نتائج غير متوافقة، فسيُعطّل AMP لمنع خسائر NaN أو التدريب بقيمة mAP تساوي صفرًا. وقد يتغير سلوك AMP في ROCm بحسب إصدارات PyTorch وROCm، لذا استخدم amp=False عند استكشاف أعطال خاصة بحزمة البرامج:

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

الميزات غير المدعومة بعد#

MIGraphX#

إن MIGraphX هي بيئة تشغيل من AMD لتحسين الرسوم البيانية والاستدلال. ولا يتضمن إصدار حزمة Python الحالية من Ultralytics تحميل نماذج MIGraphX الأصلية. ويجري تتبع أعمال التنفيذ الجارية وحاوية AMD والاعتماديات والاختبارات والوثائق معًا في PR #24137. وإلى أن يندمج هذا العمل ويجتاز التحقق على أجهزة AMD، ينبغي ألا يوصف تصدير نموذج ONNX بأنه دعم أصلي لـ MIGraphX في حزمة Python.

DirectML#

لا تتضمن حزمة Python من Ultralytics واجهة DirectML خلفية للتدريب أو التنبؤ على Windows. يختلف DirectML عن ROCm، ووجود بيئة ROCm عاملة لا يتيح استخدام device=directml.

وحدة NPU في Ryzen AI#

لا تظهر وحدات NPU في Ryzen AI عبر PyTorch ROCm، كما أنها ليست أجهزة أصلية في Ultralytics. قد تصدّر مسارات عمل يديرها المجتمع نماذج YOLO إلى ONNX وتشغّلها باستخدام أدوات Ryzen AI أو Vitis AI الخارجية من AMD، لكن بيئة التشغيل هذه والتحويل وتوافق الأجهزة 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 واستدلالها. تعامل مع MIGraphX وDirectML ووحدات NPU في Ryzen AI على أنها إمكانات منفصلة: فلا يتاح أي منها بمجرد تثبيت ROCm أو تصدير نموذج ONNX.

الأسئلة الشائعة#