AMD-GPU-Training mit Ultralytics YOLO und ROCm#

Ultralytics unterstützt Training, Validierung und Inferenz auf kompatiblen AMD-GPUs über PyTorch ROCm. PyTorch stellt ROCm-Geräte absichtlich über dieselbe torch.cuda-Python-API bereit, die auch von CUDA verwendet wird. Daher benötigt Ultralytics für native PyTorch- Modelle keinen separaten Gerätetyp rocm. Installiere einen ROCm-Build von PyTorch und wähle anschließend eine AMD-GPU mit der standardmäßigen Syntax device=0 oder device=cuda:0 aus.

AMD bietet außerdem Inferenztechnologien an, die von PyTorch ROCm unabhängig sind. Die Unterstützung eines AMD-Produkts bedeutet nicht automatisch, dass jede AMD-Laufzeitumgebung oder jeder Beschleuniger unterstützt wird.

Unterstützung im Überblick#

Diese Tabelle beschreibt das Ultralytics-Python-Paket für Training, Validierung, Export und Vorhersagen.

Warum ROCm CUDA-Gerätenamen verwendet#

Der PyTorch-ROCm-Build verwendet intern HIP, nutzt aber absichtlich weiterhin die torch.cuda-Schnittstellen. Beispielsweise funktionieren torch.cuda.is_available(), torch.cuda.device_count() und torch.cuda.get_device_name() mit unterstützten AMD-GPUs. Durch dieses Design kann derselbe Ultralytics-Trainingspfad für NVIDIA CUDA und AMD ROCm verwendet werden, ohne ein doppeltes Backend.

Weitere Informationen findest du in der offiziellen Dokumentation zur HIP-Semantik von PyTorch.

PyTorch ROCm installieren#

1. Überprüfe, ob dein Betriebssystem und deine GPU in der ROCm-Kompatibilitätsmatrix aufgeführt sind.

2. Wähle im PyTorch-Installationsauswahl den ROCm-Build aus, der zu deiner installierten ROCm-Version passt.

3. Installiere Ultralytics nach PyTorch:

   pip install ultralytics

4. Überprüfe, ob PyTorch die AMD-GPU erkennt:

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

torch.cuda.is_available() sollte True zurückgeben, der Gerätename sollte deine AMD-GPU identifizieren und torch.version.hip sollte die von deinem ROCm-Build bereitgestellte HIP-Version ausgeben.

Auf einer AMD-GPU trainieren#

Verwende dieselben Geräteargumente wie im standardmäßigen Ultralytics-Trainingsmodus.

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])

Validierung und Vorhersage verwenden dieselbe Geräteauswahl:

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

AMP-Kompatibilität#

Ultralytics aktiviert AMP standardmäßig und vergleicht vor dem Training Ergebnisse mit voller und gemischter Genauigkeit. Erkennt die Prüfung inkompatible Ergebnisse, wird AMP deaktiviert, um NaN-Verluste oder Training mit mAP gleich null zu verhindern. Das AMP-Verhalten von ROCm kann sich je nach PyTorch- und ROCm-Version ändern. Verwende daher bei der Fehlersuche in einem stackspezifischen Fehler amp=False:

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

Noch nicht unterstützte Funktionen#

MIGraphX#

MIGraphX ist AMDs Laufzeitumgebung zur Graphoptimierung und Inferenz. Das native Laden von MIGraphX-Modellen ist im aktuellen Ultralytics-Python-Paket nicht enthalten. Die aktive Implementierung, der AMD-Container, Abhängigkeiten, Tests und Dokumentation werden gemeinsam in PR #24137 nachverfolgt. Bis diese Arbeiten zusammengeführt und mit AMD-Hardware validiert wurden, sollte der Export eines ONNX-Modells im Python-Paket nicht als native MIGraphX-Unterstützung bezeichnet werden.

DirectML#

Das Ultralytics-Python-Paket verfügt über kein DirectML-Backend für Training oder Vorhersagen unter Windows. DirectML ist von ROCm unabhängig, und eine funktionierende ROCm-Umgebung aktiviert device=directml nicht.

Ryzen-AI-NPU#

Ryzen-AI-NPUs werden nicht über PyTorch ROCm bereitgestellt und sind keine nativen Ultralytics-Geräte. Community-Workflows können YOLO-Modelle nach ONNX exportieren und mit den externen Ryzen-AI- oder Vitis-AI-Tools von AMD ausführen. Diese Laufzeitumgebung, Konvertierung und Hardwarekompatibilität liegen jedoch außerhalb des unterstützten Ultralytics-Ausführungspfads.

Zusammenfassung#

Verwende einen kompatiblen PyTorch-ROCm-Build mit device=0 oder device=cuda:0 für unterstütztes Training, Validierung und Inferenz auf AMD-GPUs. Betrachte MIGraphX, DirectML und Ryzen AI NPU als separate Funktionen: Keine davon wird allein durch die Installation von ROCm oder den Export eines ONNX-Modells aktiviert.

FAQ#