Treino de GPU AMD com Ultralytics YOLO e ROCm#

Ultralytics oferece suporte a treino, validação e inferência em GPUs AMD compatíveis através do PyTorch ROCm. O PyTorch expõe intencionalmente dispositivos ROCm através da mesma API Python torch.cuda usada pelo CUDA, por isso o Ultralytics não precisa de um tipo de dispositivo rocm separado para os modelos PyTorch nativos. Instala uma versão do PyTorch compilada para ROCm e, em seguida, seleciona uma GPU AMD com a sintaxe padrão device=0 ou device=cuda:0.

A AMD também oferece tecnologias de inferência separadas do PyTorch ROCm. O suporte a um produto AMD não implica suporte a todos os runtimes ou aceleradores AMD.

Visão geral do suporte#

Esta tabela descreve o pacote Python do Ultralytics usado para treino, validação, exportação e predição.

Porque é que o ROCm usa nomes de dispositivos CUDA#

A compilação PyTorch ROCm usa internamente o HIP, mas reutiliza deliberadamente as interfaces torch.cuda. Por exemplo, torch.cuda.is_available(), torch.cuda.device_count() e torch.cuda.get_device_name() funcionam com GPUs AMD compatíveis. Este design permite que o mesmo fluxo de treino do Ultralytics sirva o CUDA da NVIDIA e o ROCm da AMD sem um backend duplicado.

Consulta a documentação oficial sobre semântica HIP do PyTorch para obteres mais detalhes.

Instalar o PyTorch ROCm#

1. Verifica se o teu sistema operativo e a tua GPU aparecem na matriz de compatibilidade do ROCm.

2. Usa o seletor de instalação do PyTorch para escolher a compilação ROCm correspondente à versão do ROCm instalada.

3. Instala o Ultralytics depois do PyTorch:

   pip install ultralytics

4. Verifica se o PyTorch reconhece a GPU AMD:

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

torch.cuda.is_available() deve devolver True, o nome do dispositivo deve identificar a tua GPU AMD e torch.version.hip deve indicar a versão HIP fornecida pela compilação ROCm.

Treinar numa GPU AMD#

Usa os mesmos argumentos de dispositivo que no modo de treino do Ultralytics padrão.

from ultralytics import YOLO

model = YOLO("yolo26n.pt")

# Treina na primeira GPU AMD exposta pelo PyTorch ROCm
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device=0)

# Treina em duas GPUs AMD
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device=[0, 1])

A validação e a predição usam a mesma seleção 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

Compatibilidade com AMP#

O Ultralytics ativa o AMP por predefinição e compara os resultados de precisão total e precisão mista antes do treino. Se a verificação detetar resultados incompatíveis, o AMP é desativado para evitar perdas NaN ou treino com mAP igual a zero. O comportamento do AMP no ROCm pode variar consoante as versões do PyTorch e do ROCm; por isso, usa amp=False para diagnosticar problemas específicos da stack:

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

Funcionalidades ainda não suportadas#

MIGraphX#

MIGraphX é o runtime de inferência e otimização de grafos da AMD. O carregamento nativo de modelos MIGraphX não está incluído no pacote Python atual do Ultralytics. A implementação em curso, o contentor AMD, dependências, testes e documentação são acompanhados em conjunto em PR #24137. Até esse trabalho ser integrado e validado em hardware AMD, a exportação de um modelo ONNX não deve ser descrita como suporte nativo para MIGraphX no pacote Python.

DirectML#

O pacote Python do Ultralytics não tem um backend DirectML para treino ou predição no Windows. O DirectML é distinto do ROCm, e um ambiente ROCm funcional não ativa device=directml.

NPU Ryzen AI#

As NPUs Ryzen AI não são expostas pelo PyTorch ROCm e não são dispositivos nativos do Ultralytics. Os fluxos de trabalho da comunidade podem exportar modelos YOLO para ONNX e executá-los com as ferramentas externas Ryzen AI ou Vitis AI da AMD, mas esse runtime, a conversão e a compatibilidade de hardware estão fora do fluxo de execução suportado pelo Ultralytics.

Resumo#

Usa uma compilação PyTorch ROCm compatível com device=0 ou device=cuda:0 para treinar, validar e executar inferência em GPUs AMD suportadas. Considera MIGraphX, DirectML e NPU Ryzen AI capacidades distintas: nenhuma delas é ativada apenas por instalar o ROCm ou exportar um modelo ONNX.

Perguntas frequentes#