Treino em GPU AMD com Ultralytics YOLO e ROCm#

A Ultralytics oferece suporte a treino, validação e inferência em GPUs AMD compatíveis através do PyTorch ROCm. O PyTorch expõe intencionalmente os dispositivos ROCm através da mesma API Python torch.cuda usada pelo CUDA, portanto a Ultralytics não precisa de um tipo de dispositivo rocm separado para modelos PyTorch nativos. Instala uma versão do PyTorch compilada com 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.

Resumo do suporte#

Esta tabela descreve o pacote Python da Ultralytics usado para treino, validação, exportação e previsão.

Porque é que o ROCm utiliza nomes de dispositivos CUDA#

A compilação ROCm do PyTorch utiliza HIP internamente, 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 da Ultralytics sirva CUDA da NVIDIA e ROCm da AMD sem um backend duplicado.

Consulta a semântica HIP do PyTorch oficial para obter 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 a Ultralytics depois do PyTorch:

   pip install ultralytics

4. Verifica se o PyTorch deteta 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 do modo Train da Ultralytics padrão.

from ultralytics import YOLO

model = YOLO("yolo26n.pt")

# Train on the first AMD GPU exposed by PyTorch ROCm
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device=0)

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

A validação e a previsão 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#

A 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 mudar consoante as versões do PyTorch e do ROCm, por isso usa amp=False ao investigar uma falha específica da stack:

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

Funcionalidades ainda não suportadas#

MIGraphX#

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

DirectML#

O pacote Python da Ultralytics não tem um backend DirectML para treino ou previsão 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 através do PyTorch ROCm e não são dispositivos nativos da 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 pela Ultralytics.

Resumo#

Usa uma compilação PyTorch ROCm compatível com device=0 ou device=cuda:0 para treino, validação e inferência suportados em GPUs AMD. Trata MIGraphX, DirectML e NPU Ryzen AI como capacidades separadas: nenhuma é ativada apenas por instalar o ROCm ou exportar um modelo ONNX.

Perguntas frequentes#