Entrenamiento e inferencia con GPU AMD y Ultralytics YOLO, ROCm y MIGraphX#

Ultralytics YOLO funciona en GPU AMD Instinct y Radeon compatibles mediante ROCm, la plataforma abierta de AMD para computación con GPU. Con una compilación de PyTorch para ROCm, puedes entrenar, validar y predecir con modelos .pt usando el mismo argumento device=0 que en cualquier otra GPU, sin cambiar el código.

Para la implementación, exporta el modelo entrenado a ONNX y ejecútalo mediante MIGraphX, el motor de AMD para optimizar grafos y realizar inferencias. El backend ONNX de Ultralytics detecta ROCm y selecciona automáticamente el MIGraphXExecutionProvider de ONNX Runtime, por lo que la misma llamada predict que funciona en GPU NVIDIA también funciona en GPU AMD. La integración continua programada de Ultralytics ejecuta la exportación ONNX y las inferencias MIGraphX para todas las tareas en hardware con GPU AMD.

Instalación#

Toda la pila de Python se instala mediante pip desde los índices de wheels de ROCm de AMD, por lo que no hacen falta paquetes apt ni acceso root para PyTorch, el complemento o las bibliotecas de ejecución de ROCm, siempre que el host ya tenga instalado el controlador del kernel de GPU AMD (amdgpu / /dev/kfd).

# 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

Ultralytics instala automáticamente onnx en la primera exportación ONNX. En la primera inferencia ONNX en un sistema ROCm, también instala el complemento proveedor de ejecución MIGraphX (onnxruntime-ep-migraphx) y las bibliotecas de ejecución MIGraphX que carga (migraphx-libs), fijadas a versiones probadas conjuntamente. El complemento solo se publica para Python 3.11 o posterior en Linux x86_64; en otras versiones de Python o arquitecturas, o si se usa YOLO_AUTOINSTALL=false sin tener instalado el complemento, la inferencia ONNX recurre a la CPU y muestra una advertencia. Para ver instrucciones detalladas y prácticas recomendadas, consulta nuestra guía de instalación de YOLO26; si tienes algún problema, consulta nuestra guía de problemas habituales.

Comprueba que PyTorch detecta la GPU AMD antes de entrenar o exportar:

import torch

print(torch.cuda.is_available())  # True en una instalación de ROCm funcional
print(torch.cuda.get_device_name(0))  # Nombre de la GPU AMD, por ejemplo, AMD Radeon 8060S
print(torch.version.hip)  # Versión de HIP de la compilación de PyTorch para ROCm; None en compilaciones para CUDA o CPU

Entrenar en GPU AMD con PyTorch ROCm#

El entrenamiento nativo, la validación y la predicción en modelos .pt se ejecutan en GPU AMD mediante PyTorch ROCm, independientemente de la ruta de inferencia MIGraphX que se describe a continuación. Instala una compilación de PyTorch para ROCm como se indica en Instalación y usa los mismos argumentos de dispositivo que en cualquier otra ejecución de entrenamiento de Ultralytics:

from ultralytics import YOLO

model = YOLO("yolo26n.pt")

# Entrena en la primera GPU AMD que PyTorch ROCm ponga a disposición
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device=0)

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

La validación y la predicción de modelos .pt utilizan la misma selección de dispositivo:

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

Exportación e inferencia con MIGraphX#

ONNX Runtime es un motor de inferencia multiplataforma que ejecuta un único modelo ONNX en distintos backends de hardware mediante proveedores de ejecución conectables (EP). Cada EP asigna el grafo ONNX a un acelerador específico: CUDA para GPU NVIDIA, CoreML para Apple silicon y MIGraphX para GPU AMD con ROCm. MIGraphX se distribuye como el complemento onnxruntime-ep-migraphx y compila el grafo en un programa optimizado para tu GPU.

La inferencia MIGraphX utiliza la exportación ONNX estándar. Exporta el modelo a ONNX (format="onnx") y la inferencia de Ultralytics utilizará automáticamente el backend MIGraphXExecutionProvider para ejecutar el modelo ONNX en tu GPU AMD.

Características principales de la inferencia MIGraphX#

• Selección automática del proveedor: En un host ROCm, el backend ONNX registra el complemento y selecciona MIGraphXExecutionProvider sin necesidad de cambiar el código. Si falta el complemento o no se puede cargar, la inferencia recurre a la CPU y muestra una advertencia.
• Optimización del grafo: MIGraphX aplica fusión de operadores, planificación de memoria y selección de kernels optimizados para las arquitecturas de GPU AMD.
• Enlace de E/S sin copias: Las entradas y salidas se enlazan directamente a los tensores de la GPU mediante el protocolo DLPack, lo que evita transferencias de ida y vuelta al host durante la inferencia.
• Opciones de precisión: Ejecuta en FP32 o exporta un modelo ONNX FP16 para realizar inferencias con precisión reducida.
• Artefacto portátil: Un único archivo .onnx funciona en CPU, GPU NVIDIA y GPU AMD, lo que te permite usar varias plataformas a partir de una sola exportación.
• Implementación reproducible: Toda la pila (PyTorch ROCm, el complemento MIGraphX y sus bibliotecas) se instala mediante pip desde los índices de wheels de ROCm de AMD.

Tareas compatibles#

La inferencia MIGraphX admite las siete tareas de Ultralytics. La segmentación semántica y la estimación de profundidad solo están disponibles con YOLO26, la única familia que incluye esas cabezas.

Uso#

Antes de consultar las instrucciones de uso, echa un vistazo a la gama de modelos YOLO26 que ofrece Ultralytics. Así podrás elegir el modelo más adecuado para los requisitos de tu proyecto.

El formato ONNX admite los modos Exportar, Predecir y Validar. Para realizar inferencias y validaciones en una GPU AMD, necesitas un sistema ROCm con el complemento MIGraphX instalado. Exporta tu modelo y, después, carga el modelo exportado para ejecutar inferencias o validar su precisión en device=0.

from ultralytics import YOLO

# Carga un modelo YOLO26
model = YOLO("yolo26n.pt")

# Exporta el modelo al formato ONNX
model.export(format="onnx")  # crea 'yolo26n.onnx'

from ultralytics import YOLO

# Carga el modelo ONNX exportado y ejecuta la inferencia en una GPU AMD
model = YOLO("yolo26n.onnx")

# El proveedor de ejecución MIGraphX se selecciona automáticamente en ROCm
results = model.predict("https://ultralytics.com/images/bus.jpg", device=0)

from ultralytics import YOLO

# Carga el modelo ONNX exportado
model = YOLO("yolo26n.onnx")

# Valida la precisión en el conjunto de datos COCO8 en una GPU AMD
metrics = model.val(data="coco8.yaml", device=0)

Argumentos de exportación#

La inferencia con MIGraphX reutiliza los argumentos de exportación de ONNX. Estas son las opciones más relevantes para implementar en una GPU AMD:

Para consultar la lista completa de argumentos de exportación, visita la integración de ONNX y la página de la documentación de Ultralytics sobre exportación.

Implementación en GPU AMD con MIGraphX#

Para disponer de un entorno listo para usar, Dockerfile-amd crea la imagen ultralytics/ultralytics:latest-amd con ROCm PyTorch y MIGraphX EP preinstalados. Consulta Uso de GPU en la guía de inicio rápido de Docker para ver las opciones docker run que permiten usar GPU AMD en el contenedor.

Pruebas de rendimiento#

El equipo de Ultralytics realizó los benchmarks de YOLO26 que aparecen a continuación en una GPU AMD Radeon 8060S (Ryzen AI Max+ PRO 395), comparando la velocidad y la precisión de PyTorch y ONNX con el proveedor de ejecución MIGraphX. Ambos formatos se ejecutan con precisión FP32 en la GPU: PyTorch a través de ROCm y ONNX a través de MIGraphX.

Compatibilidad de un vistazo#

La compatibilidad con un producto o tiempo de ejecución de AMD no implica compatibilidad con todos los aceleradores AMD. Esta tabla resume el estado actual en el paquete de Python de Ultralytics.

Resumen#

En esta guía has aprendido a entrenar modelos Ultralytics YOLO26 en GPU AMD con PyTorch ROCm mediante el argumento estándar device=0 y, después, a exportarlos a ONNX para acelerar la inferencia con el proveedor de ejecución MIGraphX de ONNX Runtime. El backend de ONNX selecciona automáticamente MIGraphXExecutionProvider, almacena en caché el programa compilado para agilizar las cargas posteriores y admite todas las tareas de YOLO26 sin modificar el código.

Para otros destinos de implementación, consulta la página de la guía de integraciones y compara los formatos de exportación con el modo Benchmark.

Preguntas frecuentes#