Ultralytics bei der AMD Embedded AI Working Group in Dublin
Erfahre, wie Ultralytics und AMD auf der AMD Embedded AI Working Group 2026 in Dublin Physical AI, Robotik und den Einsatz von Computer Vision erkundeten.
Zinnia Pourdad6 Min. Lesezeit
Ultralytics war kürzlich in Dublin, Irland, zwei Tage lang bei der Veranstaltung der AMD Embedded AI Working Group dabei. Dort gab es technische Vorträge, praxisorientierte Workshops und Live-Demonstrationen zu Embedded AI und Physical AI.
Die Veranstaltung fand am 3. und 4. November 2026 im AMD-Büro in Dublin statt und brachte AMD-Ingenieure, Technologiepartner und Entwickler zusammen. Sie erkundeten, wie KI, Software und adaptive Datenverarbeitung dabei helfen können, Anwendungen aus der Praxis vom Konzept bis zum Einsatz zu bringen.
Ultralytics wurde von Manuel Calve, Head of Ecosystem and Partnerships, und Zinnia Pourdad, Global Events Manager, vertreten. Beide nahmen an der Veranstaltung teil, um Kontakte im größeren AMD-Ökosystem zu knüpfen, aktuelle Entwicklungen bei Ultralytics YOLO vorzustellen und zu zeigen, wie Ultralytics YOLO Computer-Vision-Anwendungen auf AMD-Hardware unterstützt.
Ultralytics YOLO und AMD: KI von der Cloud bis zum Edge voranbringen#
Die Veranstaltung knüpfte an die jüngsten Entwicklungen der technischen Zusammenarbeit zwischen Ultralytics und AMD an, darunter die offizielle Unterstützung von AMD-GPUs in Ultralytics YOLO. Die Integration unterstützt verschiedene AMD-Hardware, darunter AMD Radeon GPUs, und bietet weitere Einsatzmöglichkeiten auf AMD Ryzen AI-Prozessoren und Edge-Geräten. Entwickler können Ultralytics YOLO-Modelle jetzt mit der AMD ROCm-Software trainieren und exportierte ONNX-Modelle mit AMD MIGraphX für beschleunigte Inferenz einsetzen. Unterstützt werden auch kompatible AMD Radeon GPUs und integrierte Ryzen AI GPUs; außerdem wird daran gearbeitet, den Einsatz auf Ryzen AI NPUs zu ermöglichen.
Ultralytics YOLO unterstützt jetzt auch den AMD Xilinx-Export. Damit können Entwickler Modelle für den Einsatz auf AMD Versal AI Edge Series Gen 2 NPUs vorbereiten. Durch den Einsatz von AMD Quark für die INT8-Quantisierung und Vitis AI für die Kompilierung erweitert diese Integration die Einsatzmöglichkeiten von Ultralytics YOLO auf Edge-AI-Anwendungen.
Zusammen bieten diese Funktionen Entwicklern mehr Flexibilität beim Erstellen und Bereitstellen von Computer-Vision-Anwendungen in unterschiedlichen Rechenumgebungen – von der industriellen Inspektion und Robotik bis hin zu intelligenten Kameras.
Embedded AI und Robotik durch throRworksho erkunden#
Der erste Tag war technischen Präsentationen und Workshops zu AMD Ryzen AI, ROCm, Robotik und der Entwicklung für Embedded AI gewidmet.
Ultralytics YOLO26 stand im Mittelpunkt zweier von AMD geleiteter Workshops. Die Teilnehmenden sammelten praktische Erfahrung mit Ultralytics YOLO26 zur Posenschätzung und erfuhren, wie Computer Vision Anwendungen unterstützen kann, die Bewegungen interpretieren und mit ihrer physischen Umgebung interagieren müssen.
Im zweiten Workshop kam YOLO26 pose im Kontext der Robotik mit ROS 2 zum Einsatz. Dabei wurde untersucht, wie Posenschätzung Anwendungen wie das Verfolgen von Personen durch Roboter, die Entfernungsmessung und Gestenerkennung unterstützen kann. Entwickler, die ähnliche Anwendungen ausprobieren möchten, können unserem ROS-Schnellstartleitfaden folgen.
In diesen praxisorientierten Workshops erkundeten die Teilnehmenden, wie sich Ultralytics YOLO26 in Robotik- und Physical-AI-Workflows integrieren lässt, um Computer Vision in praktische Entwicklungsumgebungen einzubinden.
KI für reale Anwendungen mit Ultralytics YOLO und AMD entwickeln#
Am zweiten Tag hielt Manuel Calve, Head of Ecosystem and Partnerships bei Ultralytics, eine technische Sitzung mit dem Titel „KI für reale Anwendungen mit Ultralytics YOLO und AMD: von der Cloud bis zum Edge“.
Von Robotik und industrieller Inspektion bis hin zu intelligenten Kameras: Physical-AI-Anwendungen in der Praxis benötigen Computer Vision, die schnell, präzise und einsatzbereit ist.
Manuel zeigte, wie Entwickler Ultralytics YOLO-Modelle mit ROCm auf unterstützten AMD-GPUs trainieren, Modelle nach ONNX exportieren und MIGraphX für beschleunigte Inferenz nutzen können. In der Sitzung wurden außerdem Einsatzmöglichkeiten im gesamten AMD-Hardware-Ökosystem untersucht und gezeigt, wie Computer-Vision-Workflows von der Entwicklung zu realen Anwendungen führen können.
Alle sieben YOLO26-Aufgaben liefen live mit AMD ROCm#
Unsere Live-Demos führten alle YOLO26-Aufgaben parallel mit AMD ROCm aus:
- Objekterkennung: Umrandungsrahmen und Bezeichnungen für erkannte Objekte
- Instanzsegmentierung: eine Pixelmaske für jedes erkannte Objekt
- Semantische Segmentierung: eine Klasse für jedes Pixel
- Bildklassifizierung: eine Bezeichnung für das gesamte Bild
- Posenschätzung: 17 Schlüsselpunkte pro erkannter Person
- Rotierte Begrenzungsrahmen: gedrehte Rahmen für Luftaufnahmen und Ansichten von oben
- Tiefenschätzung: Entfernung in Metern für jedes Pixel
Diese Funktionen sind besonders für Anwendungen wie Qualitätskontrolle in der Fertigung, autonome Robotik und intelligente Überwachung relevant, bei denen eine effiziente Computer-Vision-Inferenz unverzichtbar ist.
Erste Schritte mit Ultralytics YOLO auf AMD#
Die AMD Embedded AI Working Group brachte Entwickler und Technologiepartner zusammen, um zu erkunden, wie Embedded AI und Physical AI den Schritt von der Entwicklung in reale Anwendungen schaffen. Von praxisorientierten Workshops mit Ultralytics YOLO26 bis hin zu Gesprächen über den Einsatz von der Cloud bis zum Edge zeigte die Veranstaltung konkrete Möglichkeiten, Computer Vision in AMD-betriebene Systeme zu integrieren.
Möchtest du Ultralytics YOLO auf AMD-Hardware einsetzen? In der Dokumentation zur AMD-Integration von Ultralytics findest du Informationen zu unterstützter Hardware, Installationsanweisungen, Trainings-Workflows und beschleunigter Inferenz mit MIGraphX. Lege anschließend auf der Ultralytics Platform los!
Häufig gestellte Fragen
Ja. Seit Ultralytics 8.4.171 lassen sich YOLO-Modelle über PyTorch auf ROCm auf AMD Instinct und unterstützten Radeon-GPUs trainieren und ausführen. Exportierte ONNX-Modelle laufen über den MIGraphX-Ausführungsanbieter. Die Lösung funktioniert unter Linux x86_64, und dasselbe Argument
device=0, das auch für andere GPUs verwendet wird, wählt die AMD-GPU aus.Ja, auf Prozessoren mit integrierten GPUs, die ROCm unterstützen. AMD führt Ryzen AI Max+ PRO 395, Ryzen AI Embedded X100 und Ryzen AI Embedded P185 als getestet für die Ausführung von Modellen mit PyTorch und deren Bereitstellung mit MIGraphX auf. Die Ryzen AI NPU ist kein nativer Ultralytics-Backend; NPU-Workflows verwenden AMDs Ryzen AI- oder Vitis AI-Tools mit einem exportierten ONNX-Modell.
MIGraphX ist AMDs Engine zur Graphoptimierung und Inferenz für AMD-GPUs. Du musst den Code nicht ändern: Exportiere mit
format="onnx", lade die Datei.onnxmitYOLO()und führe Vorhersagen mitdevice=0aus. Auf einem ROCm-System installiert Ultralytics den MIGraphX-Ausführungsanbieter automatisch und wählt ihn aus.Auf einer AMD Radeon 8060S GPU (Ryzen AI Max+ PRO 395) läuft YOLO26n-pose bei FP32, einer Batchgröße von 1 und einer Eingabegröße von 640 Pixeln mit Ultralytics 8.4.165 auf MIGraphX in 2,5 ms pro Bild, verglichen mit 4,6 ms mit PyTorch auf ROCm; die COCO-Metrik beträgt in beiden Fällen 0.566Ro95. Die Zeiten schließen Vor- und Nachverarbeitung sowie die einmalige Kompilierung aus.
Ja. YOLO26 läuft über die standardmäßige Ultralytics Python API und lässt sich daher wie jede andere Python-Komponente in einen ROS-2-Knoten integrieren. Unser ROS-Schnellstartleitfaden zeigt einen Knoten, der YOLO auf Kamerabildern ausführt und annotierte Bilder veröffentlicht. Zum Veröffentlichen von Schlüsselpunkten sind nur wenige zusätzliche Codezeilen im Knoten erforderlich.
Verfasst von
Global Events Managerin · Ultralytics
Kommentare
Stelle eine Frage, teile deine Ergebnisse oder hilf anderen.
