Entraînement et inférence sur GPU AMD avec Ultralytics YOLO, ROCm et MIGraphX#

Ultralytics YOLO fonctionne sur les GPU AMD Instinct et les GPU Radeon pris en charge via ROCm, la pile de calcul GPU ouverte d’AMD. Avec une version de PyTorch compilée pour ROCm, tu peux entraîner, valider et effectuer des prédictions avec les modèles .pt en utilisant le même argument device=0 que sur n’importe quel autre GPU, sans modifier le code.

Pour le déploiement, exporte le modèle entraîné au format ONNX et exécute-le avec MIGraphX, le moteur d’optimisation de graphes et d’inférence d’AMD. Le backend ONNX d’Ultralytics détecte ROCm et sélectionne automatiquement l’environnement d’exécution ONNX MIGraphXExecutionProvider, de sorte que le même appel predict qui s’exécute sur les GPU NVIDIA fonctionne aussi sur les GPU AMD. L’intégration continue planifiée d’Ultralytics effectue l’exportation ONNX et l’inférence MIGraphX pour chaque tâche sur du matériel GPU AMD.

Installation#

La pile Python s’installe entièrement via pip à partir des index de paquets wheel ROCm d’AMD ; aucun paquet apt ni accès root n’est donc nécessaire pour PyTorch, le plug-in ou les bibliothèques d’exécution ROCm, à condition que le pilote du noyau GPU AMD (amdgpu / /dev/kfd) soit déjà installé sur l’hôte.

# 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 installe automatiquement onnx lors de la première exportation ONNX. Lors de la première inférence ONNX sur un système ROCm, Ultralytics installe également le plug-in du fournisseur d’exécution MIGraphX (onnxruntime-ep-migraphx) ainsi que les bibliothèques d’exécution MIGraphX qu’il charge (migraphx-libs), dans des versions testées ensemble. Le plug-in est publié uniquement pour Python 3.11 ou une version ultérieure sur Linux x86_64 ; avec d’autres versions de Python ou architectures, ou avec YOLO_AUTOINSTALL=false sans plug-in installé, l’inférence ONNX bascule sur le CPU avec un avertissement. Pour obtenir des instructions détaillées et connaître les bonnes pratiques, consulte notre guide d’installation de YOLO26 ; si tu rencontres des difficultés, consulte notre guide des problèmes courants.

Vérifie que PyTorch détecte le GPU AMD avant l’entraînement ou l’exportation :

import torch

print(torch.cuda.is_available())  # Vrai avec une installation ROCm fonctionnelle
print(torch.cuda.get_device_name(0))  # Nom du GPU AMD, par exemple AMD Radeon 8060S
print(torch.version.hip)  # Version HIP de la compilation PyTorch ROCm, None avec les compilations CUDA ou CPU

Entraîner sur des GPU AMD avec PyTorch ROCm#

L’entraînement, la validation et la prédiction en mode natif sur les modèles .pt s’exécutent sur les GPU AMD via PyTorch ROCm, indépendamment du chemin d’inférence MIGraphX présenté ci-dessous. Installe une version de PyTorch compilée pour ROCm comme indiqué dans la section Installation, puis utilise les mêmes arguments de périphérique que pour n’importe quelle exécution d’entraînement Ultralytics :

from ultralytics import YOLO

model = YOLO("yolo26n.pt")

# Entraîner sur le premier GPU AMD détecté par PyTorch ROCm
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device=0)

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

La validation et la prédiction des modèles .pt utilisent la même sélection de périphérique :

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

Exportation et inférence avec MIGraphX#

ONNX Runtime est un moteur d’inférence multiplateforme qui exécute un même modèle ONNX sur de nombreux backends matériels via des fournisseurs d’exécution (EP) enfichables. Chaque EP projette le graphe ONNX sur un accélérateur spécifique : CUDA pour les GPU NVIDIA, CoreML pour les puces Apple et MIGraphX pour les GPU AMD avec ROCm ; ce dernier est fourni sous forme de plug-in onnxruntime-ep-migraphx et compile le graphe en un programme optimisé pour ton GPU.

L’inférence MIGraphX utilise l’exportation ONNX standard. Exporte le modèle au format ONNX (format="onnx") et l’inférence Ultralytics utilisera automatiquement le backend MIGraphXExecutionProvider pour exécuter le modèle ONNX sur ton GPU AMD.

Principales fonctionnalités de l’inférence MIGraphX#

• Sélection automatique du fournisseur : sur un hôte ROCm, le backend ONNX enregistre le plug-in et sélectionne MIGraphXExecutionProvider sans modification du code. Si le plug-in est absent ou ne se charge pas, l’inférence bascule sur le CPU avec un avertissement.
• Optimisation du graphe : MIGraphX applique la fusion d’opérateurs, la planification de la mémoire et la sélection de noyaux optimisées pour les architectures GPU AMD.
• Liaison IO sans copie : les entrées et sorties sont liées directement aux tenseurs GPU via le protocole DLPack, ce qui évite les allers-retours par l’hôte pendant l’inférence.
• Options de précision : exécute en FP32 ou exporte un modèle ONNX FP16 pour une inférence en précision réduite.
• Artefact portable : un seul fichier .onnx fonctionne sur les CPU, les GPU NVIDIA et les GPU AMD, ce qui te permet de cibler plusieurs plateformes avec une seule exportation.
• Déploiement reproductible : toute la pile (PyTorch ROCm, le plug-in MIGraphX et ses bibliothèques) s’installe via pip à partir des index de paquets wheel ROCm d’AMD.

Tâches prises en charge#

L’inférence MIGraphX prend en charge les sept tâches Ultralytics. La segmentation sémantique et l’estimation de la profondeur sont uniquement disponibles avec YOLO26, la seule famille proposant ces têtes.

Utilisation#

Avant de passer aux instructions d’utilisation, pense à découvrir la gamme de modèles YOLO26 proposés par Ultralytics. Cela t’aidera à choisir le modèle le mieux adapté aux exigences de ton projet.

Le format ONNX prend en charge les modes Export, Prédiction et Validation. Pour effectuer l’inférence et la validation sur un GPU AMD, il faut un système ROCm sur lequel le plug-in MIGraphX est installé. Exporte ton modèle, puis charge le modèle exporté pour effectuer l’inférence ou valider sa précision sur device=0.

from ultralytics import YOLO

# Charger un modèle YOLO26
model = YOLO("yolo26n.pt")

# Exporter le modèle au format ONNX
model.export(format="onnx")  # crée « yolo26n.onnx »

from ultralytics import YOLO

# Charger le modèle ONNX exporté et exécuter l’inférence sur un GPU AMD
model = YOLO("yolo26n.onnx")

# Le fournisseur d’exécution MIGraphX est sélectionné automatiquement sur ROCm
results = model.predict("https://ultralytics.com/images/bus.jpg", device=0)

from ultralytics import YOLO

# Charger le modèle ONNX exporté
model = YOLO("yolo26n.onnx")

# Valider la précision sur le jeu de données COCO8 sur un GPU AMD
metrics = model.val(data="coco8.yaml", device=0)

Arguments d’exportation#

L’inférence MIGraphX réutilise les arguments d’exportation ONNX. Voici les options les plus pertinentes pour le déploiement sur GPU AMD :

Pour consulter la liste complète des arguments d’exportation, voir l’intégration ONNX et la page de la documentation Ultralytics sur l’exportation.

Déploiement sur des GPU AMD avec MIGraphX#

Pour disposer d’un environnement prêt à l’emploi, Dockerfile-amd crée l’image ultralytics/ultralytics:latest-amd, où PyTorch ROCm et le fournisseur d’exécution MIGraphX sont préinstallés. Consulte la section Utiliser des GPU du guide de démarrage rapide Docker pour connaître les options docker run qui rendent les GPU AMD accessibles au conteneur.

Benchmarks#

Les benchmarks YOLO26 ci-dessous ont été réalisés par l’équipe Ultralytics sur un GPU AMD Radeon 8060S (Ryzen AI Max+ PRO 395), en comparant la vitesse et la précision de PyTorch et ONNX avec le fournisseur d’exécution MIGraphX. Les deux formats s’exécutent sur le GPU en précision FP32 : PyTorch via ROCm et ONNX via MIGraphX.

Aperçu de la prise en charge#

La prise en charge d’un produit ou d’un environnement d’exécution AMD ne signifie pas que tous les accélérateurs AMD sont pris en charge. Ce tableau résume l’état actuel dans le package Python Ultralytics.

Résumé#

Dans ce guide, tu as appris à entraîner des modèles Ultralytics YOLO26 sur des GPU AMD avec PyTorch ROCm à l’aide de l’argument standard device=0, puis à les exporter au format ONNX pour accélérer l’inférence avec le fournisseur d’exécution MIGraphX d’ONNX Runtime. Le backend ONNX sélectionne automatiquement MIGraphXExecutionProvider, met le programme compilé en cache pour accélérer les chargements suivants et prend en charge toutes les tâches YOLO26 sans modification du code.

Pour découvrir d’autres cibles de déploiement, consulte le guide des intégrations et compare les formats d’exportation avec le mode Benchmark.

FAQ#