YOLO Vision 2026：

使用 Ultralytics YOLO 和 ROCm 进行 AMD GPU 训练#

Ultralytics 支持通过 PyTorch ROCm 在兼容的 AMD GPU 上进行训练、验证和推理。PyTorch 特意通过与 CUDA 使用相同的 torch.cuda Python API 来暴露 ROCm 设备，因此 Ultralytics 无需为原生 PyTorch 模型提供单独的 rocm 设备类型。安装 ROCm 版本的 PyTorch，然后使用标准的 device=0 或 device=cuda:0 语法选择 AMD GPU。

AMD 还提供与 PyTorch ROCm 不同的推理技术。支持某个 AMD 产品并不意味着支持每一个 AMD 运行时或加速器。

支持概览#

下表描述了用于训练、验证、导出和预测的 Ultralytics Python 软件包。

AMD 产品或运行时Ultralytics 支持用法或状态
支持 ROCm 的 AMD Instinct 和受支持的 Radeon GPU✅使用 device=0 或 device=cuda:0 训练、验证和运行原生 PyTorch 模型。
多 GPU ROCm✅使用 device=0,1 或 device=[0, 1]；分布式执行遵循已安装的 PyTorch ROCm 栈。
ROCm 自动混合精度 (AMP)⚠️当已安装的 PyTorch 和 ROCm 版本通过 Ultralytics AMP 检查时可用；如果版本不兼容，请使用 amp=False。
ONNX 导出✅支持导出，但 ONNX 文件本身不提供 AMD 加速的运行时。
MIGraphX 推理🚧当前 Python 软件包中不可用；相关实现工作在 PR #24137 中跟踪。
AMD Docker 镜像和 AMD 硬件 CI🚧同样在 PR #24137 中跟踪，无法仅通过 ROCm 设备选择提供。
Windows DirectML❌ PythonPython 软件包中没有 DirectML 训练或预测后端。
Ryzen AI NPU❌没有原生的 Ultralytics NPU 集成；外部 ONNX/Vitis AI 工作流由社区管理。
AMD CPU✅ CPU使用 device=cpu；这是标准的 CPU 执行，而不是 AMD 专用的加速后端。
首先检查 AMD 与 PyTorch 的兼容性

ROCm 的可用性取决于具体的 GPU、操作系统、ROCm 版本和 PyTorch 构建版本。在安装前，请在 AMD 的 ROCm 兼容性矩阵 中确认硬件。Ultralytics 无法为已安装的 PyTorch ROCm 构建版本未公开的设备添加支持。

为什么 ROCm 使用 CUDA 设备名称#

PyTorch 的 ROCm 构建版本在内部使用 HIP，但刻意重用了 torch.cuda 接口。例如，torch.cuda.is_available()、torch.cuda.device_count() 和 torch.cuda.get_device_name() 适用于受支持的 AMD GPU。这种设计使相同的 Ultralytics 训练路径能够同时服务 NVIDIA CUDA 和 AMD ROCm，而无需重复的后端。

有关详细信息，请参阅官方 PyTorch HIP 语义。

重要提示

在 Python 软件包中，对于 PyTorch ROCm，请使用 device=0 或 device=cuda:0。请勿使用 device=rocm:0；rocm 不是 PyTorch 设备类型。

安装 PyTorch ROCm#

  1. 验证你的操作系统和 GPU 是否出现在 ROCm 兼容性矩阵 中。

  2. 使用 PyTorch 安装选择器 选择与你已安装的 ROCm 版本相匹配的 ROCm 构建版本。

  3. 在 PyTorch 之后安装 Ultralytics：

    pip install ultralytics

  4. 验证 PyTorch 是否能够检测到 AMD GPU：

    import torch

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

torch.cuda.is_available() 应返回 True，设备名称应识别出你的 AMD GPU，并且 torch.version.hip 应报告由 ROCm 构建版本提供的 HIP 版本。

在 AMD GPU 上进行训练#

使用与标准的 Ultralytics 训练模式相同的设备参数。

ROCm 训练
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])

验证和预测使用相同的设备选择：

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

AMP 兼容性#

Ultralytics 默认启用 AMP，并在训练前比较全精度和混合精度结果。如果检查检测到结果不兼容，将禁用 AMP 以防止出现 NaN 损失或零 mAP 训练。ROCm AMP 行为可能会随 PyTorch 和 ROCm 版本的不同而改变，因此在排查特定于软件栈的故障时请使用 amp=False：

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

尚不支持的功能#

MIGraphX#

MIGraphX 是 AMD 的图优化和推理运行时。当前的 Ultralytics Python 软件包中不包含原生 MIGraphX 模型加载。实际的实现、AMD 容器、依赖项、测试和文档都在 PR #24137 中共同跟踪。在该工作合并并通过 AMD 硬件验证之前，导出 ONNX 模型不应在 Python 软件包中被描述为原生 MIGraphX 支持。

DirectML#

Ultralytics Python 软件包没有用于 Windows 训练或预测的 DirectML 后端。DirectML 与 ROCm 不同，并且正常工作的 ROCm 环境不会启用 device=directml。

Ryzen AI NPU#

Ryzen AI NPU 不通过 PyTorch ROCm 公开，也不是原生的 Ultralytics 设备。社区工作流可能会将 YOLO 模型导出为 ONNX 并使用 AMD 的外部 Ryzen AI 或 Vitis AI 工具运行它们，但该运行时、转换和硬件兼容性超出了 Ultralytics 支持的执行路径。

故障排除#

为什么在我的 AMD 系统上 torch.cuda.is_available() 会返回 False？#

已安装的 PyTorch 软件包可能是 CPU 或 CUDA 构建版本，或者当前活动的 ROCm 堆栈可能不支持该 GPU。请从 PyTorch 选择器安装匹配的 ROCm 构建版本，并对照 AMD 的兼容性矩阵验证 GPU。

为什么我有 AMD GPU 时 Ultralytics 却显示 CUDA？#

这是正常的。为了保持 Python 兼容性，PyTorch ROCm 刻意使用了 torch.cuda API 和 CUDA 风格的设备字符串。模型仍然通过 AMD GPU 上的 HIP 和 ROCm 执行。

ONNX 导出会自动启用 MIGraphX 或 Ryzen AI 吗？#

不会。ONNX 是一种可移植的模型格式。加速执行仍然需要兼容的运行时，并且当前的 Ultralytics Python 软件包中不包含原生的 MIGraphX、DirectML 和 Ryzen AI NPU 后端。

总结#

对于受支持的 AMD GPU 训练、验证和推理，请配合 device=0 或 device=cuda:0 使用兼容的 PyTorch ROCm 构建版本。将 MIGraphX、DirectML 和 Ryzen AI NPU 视为独立的功能：仅安装 ROCm 或导出 ONNX 模型并不能启用它们中的任何一个。

贡献者
GLglenn-jocher1

评论