Ultralytics YOLO、ROCm、MIGraphXによるAMD GPUのトレーニングと推論#

Ultralytics YOLOは、AMDのオープンGPUコンピューティングスタックであるROCmを通じて、AMD Instinctおよびサポート対象のRadeon GPUで動作します。PyTorchのROCmビルドを使用すると、他のGPUと同じdevice=0引数を使って、.ptモデルのトレーニング、検証、予測を実行でき、コードを変更する必要はありません。

デプロイするには、トレーニング済みモデルをONNXにエクスポートし、AMDのグラフ最適化・推論エンジンであるMIGraphXで実行します。UltralyticsのONNXバックエンドはROCmを検出してONNX RuntimeのMIGraphXExecutionProviderを自動的に選択するため、NVIDIA GPUで動作するpredict呼び出しをAMD GPUでも実行できます。Ultralyticsのスケジュール実行される継続的インテグレーションでは、AMD GPUハードウェア上で、すべてのタスクについてONNXエクスポートとMIGraphX推論を実行します。

インストール#

Pythonスタックは、AMDのROCmホイールインデックスからpipを通じてすべてインストールされます。そのため、ホストにAMD GPUカーネルドライバー（amdgpu / /dev/kfd）がすでにインストールされていれば、PyTorch、プラグイン、ROCmランタイムライブラリにaptパッケージやroot権限は必要ありません。

# 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は、最初のONNXエクスポート時にonnxを自動的にインストールします。ROCmシステムで初めてONNX推論を実行すると、MIGraphX実行プロバイダープラグイン（onnxruntime-ep-migraphx）と、それが読み込むMIGraphXランタイムライブラリ（migraphx-libs）も、相互にテスト済みのバージョンに固定してインストールします。このプラグインはLinux x86_64上のPython 3.11以降向けにのみ公開されています。それ以外のPythonバージョンやアーキテクチャの場合、またはプラグインがインストールされていない状態でYOLO_AUTOINSTALL=falseを使用した場合、ONNX推論は警告を出してCPUにフォールバックします。詳しい手順とベストプラクティスについては、YOLO26インストールガイドをご覧ください。問題が発生した場合は、よくある問題のガイドを参照してください。

トレーニングまたはエクスポートの前に、PyTorchがAMD GPUを認識していることを確認してください。

import torch

print(torch.cuda.is_available())  # ROCmが正常にインストールされている場合はTrue
print(torch.cuda.get_device_name(0))  # AMD GPU名（例：AMD Radeon 8060S）
print(torch.version.hip)  # ROCm版PyTorchビルドのHIPバージョン。CUDA版またはCPU版ビルドではNone

PyTorch ROCmでAMD GPU上のトレーニングを実行する#

.ptモデルのネイティブなトレーニング、検証、予測は、以下で説明するMIGraphX推論経路とは独立して、PyTorch ROCmを通じてAMD GPU上で実行されます。インストールの手順に従ってPyTorchのROCmビルドをインストールし、他のUltralyticsトレーニングと同じデバイス引数を使用してください。

from ultralytics import YOLO

model = YOLO("yolo26n.pt")

# PyTorch ROCmが認識する最初のAMD GPUでトレーニングする
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device=0)

# 2台のAMD GPUを使用してトレーニングする
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device=[0, 1])

.ptモデルの検証と予測でも、同じデバイス選択方法を使用します。

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

MIGraphXによるエクスポートと推論#

ONNX Runtimeは、プラグイン可能な実行プロバイダー（EP）を通じて、単一のONNXモデルをさまざまなハードウェアバックエンドで実行するクロスプラットフォーム推論エンジンです。各EPはONNXグラフを特定のアクセラレーターにマッピングします。NVIDIA GPU向けのCUDA、Appleシリコン向けのCoreML、そしてROCm上のAMD GPU向けのMIGraphXがあり、MIGraphXはonnxruntime-ep-migraphxプラグインとして提供され、グラフをGPU向けに最適化されたプログラムにコンパイルします。

MIGraphX推論では標準のONNXエクスポートを使用します。モデルをONNX（format="onnx"）にエクスポートすると、Ultralyticsの推論はMIGraphXExecutionProviderバックエンドを自動的に使用して、AMD GPU上でONNXモデルを実行します。

MIGraphX推論の主な機能#

• プロバイダーの自動選択：ROCmホストでは、ONNXバックエンドがプラグインを登録し、コードを変更することなくMIGraphXExecutionProviderを選択します。プラグインがない場合や読み込みに失敗した場合は、警告を出してCPUにフォールバックします。
• グラフ最適化：MIGraphXは、AMD GPUアーキテクチャに合わせて調整された演算子融合、メモリープランニング、カーネル選択を適用します。
• ゼロコピーIOバインディング：DLPackプロトコルを通じて入力と出力をGPUテンソルに直接バインドし、推論中のホストとのデータ転送を回避します。
• 精度オプション：FP32で実行するか、FP16のONNXモデルをエクスポートして低精度推論を行えます。
• ポータブルな成果物：単一の.onnxファイルをCPU、NVIDIA GPU、AMD GPUで実行でき、1回のエクスポートで複数のプラットフォームを対象にできます。
• 再現性の高いデプロイ：ROCm版PyTorch、MIGraphXプラグイン、およびそのライブラリからなる完全なスタックを、AMDのROCmホイールインデックスからpipを通じてインストールできます。

対応タスク#

MIGraphX推論は、Ultralyticsの7つすべてのタスクに対応しています。セマンティックセグメンテーションと深度推定は、これらのヘッドを搭載する唯一のファミリーであるYOLO26でのみ利用できます。

使用方法#

使い方の説明に進む前に、Ultralyticsが提供するYOLO26モデルをご確認ください。プロジェクトの要件に最適なモデルを選ぶのに役立ちます。

ONNX形式は、エクスポート、予測、検証の各モードに対応しています。AMD GPUで推論と検証を行うには、MIGraphXプラグインがインストールされたROCmシステムが必要です。モデルをエクスポートしてから、エクスポート済みモデルを読み込み、device=0で推論を実行するか、精度を検証してください。

from ultralytics import YOLO

# YOLO26モデルを読み込みます
model = YOLO("yolo26n.pt")

# モデルをONNXフォーマットにエクスポート
model.export(format="onnx")  # 'yolo26n.onnx'を作成します

from ultralytics import YOLO

# エクスポートしたONNXモデルを読み込み、AMD GPUで推論を実行します
model = YOLO("yolo26n.onnx")

# ROCmでは、MIGraphX実行プロバイダーが自動的に選択されます
results = model.predict("https://ultralytics.com/images/bus.jpg", device=0)

from ultralytics import YOLO

# エクスポートしたONNXモデルを読み込みます
model = YOLO("yolo26n.onnx")

# AMD GPUでCOCO8データセットの精度を検証します
metrics = model.val(data="coco8.yaml", device=0)

エクスポート引数#

MIGraphX推論ではONNXエクスポート引数を再利用します。AMD GPUへのデプロイで特に重要なオプションは次のとおりです。

エクスポート引数の全一覧については、ONNX連携ガイドとUltralyticsのエクスポートに関するドキュメントページをご覧ください。

MIGraphXを使用したAMD GPUへのデプロイ#

すぐに使える環境として、Dockerfile-amdは、ROCm PyTorchとMIGraphX EPをプリインストールしたultralytics/ultralytics:latest-amdイメージをビルドします。DockerクイックスタートのGPUの使用を参照して、AMD GPUをコンテナに公開するdocker runフラグをご確認ください。

ベンチマーク#

以下のYOLO26ベンチマークは、AMD Radeon 8060S GPU（Ryzen AI Max+ PRO 395）でUltralyticsチームが実施し、MIGraphX実行プロバイダー上でPyTorchとONNXの速度と精度を比較したものです。どちらの形式もGPU上でFP32精度で動作し、PyTorchはROCm経由、ONNXはMIGraphX経由で実行されます。

サポート状況の概要#

AMD製品またはランタイムの一部がサポートされていても、すべてのAMDアクセラレーターがサポートされるとは限りません。この表は、Ultralytics Pythonパッケージにおける現在の状況をまとめたものです。

概要#

このガイドでは、標準のdevice=0引数を使用して、PyTorch ROCmでAMD GPU上のUltralytics YOLO26モデルをトレーニングする方法と、ONNX RuntimeのMIGraphX実行プロバイダーを介した高速推論のためにONNXへエクスポートする方法を説明しました。ONNXバックエンドはMIGraphXExecutionProviderを自動的に選択し、後続のロードを高速化するためにコンパイル済みプログラムをキャッシュします。また、コードを変更せずにすべてのYOLO26タスクをサポートします。

その他のデプロイ先については、連携ガイドページをご覧ください。また、ベンチマークモードでエクスポート形式を比較できます。

よくある質問#