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 bewusst über dieselbe torch.cuda-Python-API bereit, die auch für CUDA verwendet wird. Daher benötigt Ultralytics keinen separaten Gerätetyp rocm für native PyTorch-Modelle. Installiere einen ROCm-Build von PyTorch und wähle dann eine AMD-GPU mit der standardmäßigen Syntax device=0 oder device=cuda:0 aus.

AMD bietet außerdem Inferenztechnologien an, die unabhängig von PyTorch ROCm sind. Die Unterstützung für ein AMD-Produkt bedeutet nicht, dass auch alle AMD-Laufzeitumgebungen oder Beschleuniger unterstützt werden.

Unterstützung auf einen Blick#

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

Warum ROCm CUDA-Gerätenamen verwendet#

Der ROCm-Build von PyTorch verwendet intern HIP, greift aber bewusst auf die Schnittstellen torch.cuda zurück. So funktionieren beispielsweise torch.cuda.is_available(), torch.cuda.device_count() und torch.cuda.get_device_name() mit unterstützten AMD-GPUs. Dank dieses Designs kann derselbe Ultralytics-Trainingsablauf sowohl NVIDIA CUDA als auch AMD ROCm nutzen, ohne ein doppeltes Backend zu benötigen.

Weitere Informationen findest du in der offiziellen Dokumentation zu den HIP-Semantiken von PyTorch.

PyTorch ROCm installieren#

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

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

3. Installiere Ultralytics nach PyTorch:

   pip install ultralytics

4. Prüfe, 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 angeben und torch.version.hip sollte die vom ROCm-Build bereitgestellte HIP-Version melden.

Auf einer AMD-GPU trainieren#

Verwende dieselben Geräteargumente wie im standardmäßigen Trainingsmodus von Ultralytics.

from ultralytics import YOLO

model = YOLO("yolo26n.pt")

# Auf der ersten AMD-GPU trainieren, die PyTorch ROCm erkennt
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device=0)

# Auf zwei AMD-GPUs trainieren
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device=[0, 1])

Validierung und Vorhersagen 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 ein Training mit mAP von null zu verhindern. Das Verhalten von ROCm AMP kann sich je nach PyTorch- und ROCm-Version ändern. Verwende daher amp=False, wenn du ein Problem mit einem bestimmten Stack untersuchst:

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

Noch nicht unterstützte Funktionen#

MIGraphX#

MIGraphX ist AMDs Laufzeitumgebung für Graphoptimierung und Inferenz. Das Laden von MIGraphX-Modellen ist im aktuellen Ultralytics-Python-Paket nicht enthalten. Die laufende Implementierung samt AMD-Container, Abhängigkeiten, Tests und Dokumentation wird gemeinsam in PR #24137 nachverfolgt. Bis diese Arbeit zusammengeführt und auf AMD-Hardware validiert wurde, sollte der Export eines ONNX-Modells nicht als native MIGraphX-Unterstützung im Python-Paket dargestellt werden.

DirectML#

Das Ultralytics-Python-Paket enthält kein DirectML-Backend für Training oder Vorhersagen unter Windows. DirectML unterscheidet sich von ROCm, und eine funktionierende ROCm-Umgebung aktiviert device=directml nicht.

Ryzen-AI-NPU#

Ryzen-AI-NPUs werden nicht über PyTorch ROCm erkannt und sind keine nativen Ultralytics-Geräte. In Community-Workflows können YOLO-Modelle nach ONNX exportiert und mit externen Ryzen-AI- oder Vitis-AI-Tools von AMD ausgeführt werden. Diese Laufzeitumgebung, die Konvertierung und die Hardwarekompatibilität gehören jedoch nicht zum unterstützten Ausführungspfad von Ultralytics.

Zusammenfassung#

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

Häufig gestellte Fragen#