Addestramento su GPU AMD con Ultralytics YOLO e ROCm#

Ultralytics supporta l'addestramento, la convalida e l'inferenza su GPU AMD compatibili tramite PyTorch ROCm. PyTorch espone intenzionalmente i dispositivi ROCm tramite la stessa torch.cuda API Python usata da CUDA, quindi Ultralytics non necessita di un tipo di dispositivo rocm separato per i modelli PyTorch nativi. Installa una versione di PyTorch con ROCm, quindi seleziona una GPU AMD usando la sintassi standard device=0 o device=cuda:0.

AMD offre anche tecnologie di inferenza distinte da PyTorch ROCm. Il supporto di un prodotto AMD non implica il supporto di tutti i runtime o acceleratori AMD.

Panoramica del supporto#

Questa tabella descrive il pacchetto Python Ultralytics usato per l'addestramento, la convalida, l'esportazione e la predizione.

Perché ROCm usa i nomi dei dispositivi CUDA#

La build ROCm di PyTorch usa HIP internamente, ma riutilizza intenzionalmente le interfacce torch.cuda. Ad esempio, torch.cuda.is_available(), torch.cuda.device_count() e torch.cuda.get_device_name() funzionano con le GPU AMD supportate. Questo design consente allo stesso flusso di addestramento Ultralytics di supportare NVIDIA CUDA e AMD ROCm senza un backend duplicato.

Per i dettagli, consulta la documentazione ufficiale semantica HIP di PyTorch.

Installa PyTorch ROCm#

1. Verifica che il tuo sistema operativo e la tua GPU siano presenti nella matrice di compatibilità ROCm.

2. Usa il selettore di installazione di PyTorch per scegliere la build ROCm corrispondente alla versione di ROCm installata.

3. Installa Ultralytics dopo PyTorch:

   pip install ultralytics

4. Verifica che PyTorch rilevi la GPU AMD:

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

torch.cuda.is_available() dovrebbe restituire True, il nome del dispositivo dovrebbe identificare la tua GPU AMD e torch.version.hip dovrebbe indicare la versione HIP fornita dalla build ROCm.

Addestra su una GPU AMD#

Usa gli stessi argomenti del dispositivo della modalità Train di Ultralytics standard.

from ultralytics import YOLO

model = YOLO("yolo26n.pt")

# Addestra sulla prima GPU AMD esposta da PyTorch ROCm
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device=0)

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

La convalida e la predizione usano la stessa selezione del 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

Compatibilità AMP#

Ultralytics abilita AMP per impostazione predefinita e confronta i risultati in precisione completa e mista prima dell'addestramento. Se il controllo rileva risultati incompatibili, AMP viene disabilitato per evitare perdite NaN o un addestramento con mAP pari a zero. Il comportamento di AMP su ROCm può variare in base alle versioni di PyTorch e ROCm; per risolvere i problemi specifici dello stack, usa amp=False:

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

Funzionalità non ancora supportate#

MIGraphX#

MIGraphX è il runtime AMD per l'ottimizzazione dei grafi e l'inferenza. Il caricamento nativo dei modelli MIGraphX non è incluso nel pacchetto Python Ultralytics corrente. L'implementazione attiva, il container AMD, le dipendenze, i test e la documentazione sono tracciati insieme in PR #24137. Finché il lavoro non sarà integrato e convalidato su hardware AMD, l'esportazione di un modello ONNX non dovrebbe essere descritta come supporto nativo a MIGraphX nel pacchetto Python.

DirectML#

Il pacchetto Python Ultralytics non include un backend DirectML per l'addestramento o la predizione su Windows. DirectML è distinto da ROCm e un ambiente ROCm funzionante non abilita device=directml.

NPU Ryzen AI#

Le NPU Ryzen AI non sono esposte tramite PyTorch ROCm e non sono dispositivi nativi Ultralytics. I flussi di lavoro della community possono esportare i modelli YOLO in ONNX ed eseguirli con gli strumenti esterni AMD Ryzen AI o Vitis AI, ma quel runtime, la conversione e la compatibilità hardware non rientrano nel percorso di esecuzione supportato da Ultralytics.

Riepilogo#

Per l'addestramento, la convalida e l'inferenza supportati sulle GPU AMD, usa una build compatibile di PyTorch ROCm con device=0 o device=cuda:0. Considera MIGraphX, DirectML e le NPU Ryzen AI come funzionalità separate: nessuna viene abilitata semplicemente installando ROCm o esportando un modello ONNX.

Domande frequenti#