Ultralytics YOLO prend-il en charge les GPU AMD ?

Oui. Depuis Ultralytics 8.4.171, YOLO s’entraîne et s’exécute sur les GPU AMD Instinct et Radeon pris en charge via PyTorch sur ROCm, et les modèles ONNX exportés s’exécutent avec le fournisseur d’exécution MIGraphX. La solution fonctionne sous Linux x86_64, et le même argument device=0 utilisé avec les autres GPU sélectionne le GPU AMD.

Puis-je exécuter YOLO26 sur des processeurs AMD Ryzen AI ?

Oui, sur les processeurs dotés de GPU intégrés pris en charge par ROCm. AMD indique que les Ryzen AI Max+ PRO 395, Ryzen AI Embedded X100 et Ryzen AI Embedded P185 ont été testés pour exécuter des modèles avec PyTorch et les déployer avec MIGraphX. Le NPU Ryzen AI n’est pas un backend natif d’Ultralytics ; les flux de travail NPU utilisent les outils Ryzen AI ou Vitis AI d’AMD sur un modèle ONNX exporté.

Qu’est-ce que MIGraphX et dois-je modifier mon code pour l’utiliser ?

MIGraphX est le moteur d’optimisation de graphes et d’inférence d’AMD pour les GPU AMD. Tu n’as pas besoin de modifier ton code : exporte avec format="onnx", charge le fichier .onnx avec YOLO() et lance la prédiction avec device=0. Sur un système ROCm, Ultralytics installe et sélectionne automatiquement le fournisseur d’exécution MIGraphX.

Quelle est la vitesse de l’estimation de pose YOLO26 sur du matériel AMD ?

Sur un GPU AMD Radeon 8060S (Ryzen AI Max+ PRO 395), avec FP32, une taille de lot de 1 et une entrée de 640 pixels, et avec Ultralytics 8.4.165, YOLO26n-pose s’exécute en 2,5 ms par image avec MIGraphX, contre 4,6 ms avec PyTorch sur ROCm, avec le même résultat 0.566Ro95 sur COCO. Les temps ne comprennent ni le prétraitement et le post-traitement ni la compilation initiale.

Puis-je utiliser YOLO26 avec ROS 2 sur du matériel AMD ?

Oui. YOLO26 s’exécute via l’API Python standard d’Ultralytics et s’intègre donc à un nœud ROS 2 comme n’importe quel autre composant Python. Notre guide de démarrage rapide ROS présente un nœud qui exécute YOLO sur des images de caméra et publie des images annotées ; publier les données des points clés demande quelques lignes de code supplémentaires dans le nœud.

Événements

Ultralytics à l’AMD Embedded AI Working Group à Dublin

Découvre comment Ultralytics et AMD ont exploré l’IA physique, la robotique et le déploiement de la vision par ordinateur lors de l’AMD Embedded AI Working Group 2026 à Dublin.

Zinnia Pourdad7 min de lecture6 novembre 2026

Découvre comment Ultralytics et AMD ont exploré l’IA physique, la robotique et le déploiement de la vision par ordinateur lors de l’AMD Embedded AI Working Group 2026 à Dublin.

Ultralytics a récemment rejoint AMD à Dublin, en Irlande, à l’occasion de son événement Embedded AI Working Group, qui a proposé deux jours de sessions techniques, d’ateliers pratiques et de démonstrations en direct consacrés à l’IA embarquée et à l’IA physique.

Organisé dans les bureaux d’AMD à Dublin les 3 et 4 novembre 2026, l’événement a réuni des ingénieurs d’AMD, des partenaires technologiques et des développeurs afin d’explorer comment l’IA, les logiciels et l’informatique adaptative peuvent faire passer des applications concrètes du concept au déploiement.

Manuel Calve, responsable de l’écosystème et des partenariats, et Zinnia Pourdad, responsable des événements mondiaux, ont représenté Ultralytics lors de l’événement. Ils ont rencontré l’ensemble de l’écosystème AMD, présenté les dernières avancées d’Ultralytics YOLO et montré comment Ultralytics YOLO prend en charge les applications de vision par ordinateur sur le matériel AMD.

Ultralytics YOLO et AMD : faire progresser l’IA du cloud à la périphérie#

L’événement s’inscrivait dans la continuité des récents progrès de la collaboration technique entre Ultralytics et AMD, notamment la prise en charge officielle des GPU AMD dans Ultralytics YOLO. L’intégration prend en charge une gamme de matériel AMD, dont les GPU AMD Radeon, et propose d’autres options de déploiement sur les processeurs AMD Ryzen AI et les appareils périphériques. Les développeurs peuvent désormais entraîner des modèles Ultralytics YOLO avec le logiciel AMD ROCm et déployer les modèles ONNX exportés avec AMD MIGraphX pour accélérer l’inférence. Cette prise en charge concerne les GPU AMD Radeon compatibles et les GPU intégrés Ryzen AI ; des travaux sont également en cours pour permettre le déploiement sur les NPU Ryzen AI.

Ultralytics YOLO prend également en charge l’export AMD Xilinx, qui permet aux développeurs de préparer des modèles en vue de leur déploiement sur les NPU AMD Versal AI Edge Series Gen 2. Grâce à AMD Quark pour la quantification INT8 et à Vitis AI pour la compilation, cette intégration étend les capacités de déploiement d’Ultralytics YOLO aux applications d’IA en périphérie.

Ensemble, ces capacités offrent aux développeurs une plus grande flexibilité pour créer et déployer des applications de vision par ordinateur dans différents environnements informatiques, de l’inspection industrielle et de la robotique aux caméras intelligentes.

Explorer l’IA embarquée et la robotique throRworksho#

La première journée était consacrée à des présentations techniques et à des ateliers portant sur AMD Ryzen AI, ROCm, la robotique et le développement de l’IA embarquée.

Ultralytics YOLO26 était au cœur de deux ateliers animés par AMD, où les participants ont pu se familiariser concrètement avec l’estimation de pose d’Ultralytics YOLO26, découvrant comment la vision par ordinateur peut prendre en charge des applications qui doivent interpréter les mouvements et interagir avec leur environnement physique.

Le deuxième atelier a utilisé YOLO26 pose dans un contexte de robotique avec ROS 2, explorant comment l’estimation de pose peut prendre en charge des applications telles que les robots qui suivent des personnes, la surveillance des distances et la reconnaissance gestuelle. Les développeurs qui souhaitent explorer des applications similaires peuvent consulter notre guide de démarrage rapide ROS.

Participants aux postes de travail avec caméra lors d’un atelier animé par AMD à Dublin, avec le résultat de l’estimation de pose affiché sur l’écran de projection

Lors de ces ateliers pratiques, les participants ont exploré comment intégrer Ultralytics YOLO26 aux flux de travail de la robotique et de l’IA physique, et ainsi introduire la vision par ordinateur dans des environnements de développement concrets.

Créer des solutions d’IA concrètes avec Ultralytics YOLO et AMD#

Le deuxième jour, Manuel Calve, responsable de l’écosystème et des partenariats chez Ultralytics, a présenté une session technique intitulée « Créer des solutions d’IA concrètes avec Ultralytics YOLO et AMD : du cloud à la périphérie ».

De la robotique et de l’inspection industrielle aux caméras intelligentes, les applications concrètes d’IA physique ont besoin d’une vision par ordinateur rapide, précise et prête à être déployée.

Manuel a présenté comment les développeurs peuvent entraîner des modèles Ultralytics YOLO sur les GPU AMD compatibles avec ROCm, exporter les modèles au format ONNX et utiliser MIGraphX pour accélérer l’inférence. La session a également exploré les options de déploiement dans l’écosystème matériel plus vaste d’AMD, montrant comment les flux de travail de vision par ordinateur peuvent passer du développement à des applications concrètes.

Les sept tâches YOLO26 exécutées en direct sur AMD ROCm#

Nos démonstrations en direct ont exécuté côte à côte toutes les tâches YOLO26 sur AMD ROCm :

Détection d’objets : boîtes et étiquettes pour les objets détectés
Segmentation d’instances : un masque de pixels pour chaque objet détecté
Segmentation sémantique : une classe pour chaque pixel
Classification d’images : une seule étiquette pour toute l’image
Estimation de pose : 17 points clés par personne détectée
Boîtes englobantes orientées : boîtes inclinées pour les vues aériennes et plongeantes
Estimation de profondeur : distance en mètres pour chaque pixel

Démonstration en direct de l’estimation de profondeur avec Ultralytics YOLO26

Ces capacités sont particulièrement pertinentes pour des applications comme le contrôle qualité dans l’industrie manufacturière, la robotique autonome et la surveillance intelligente, où une inférence efficace en vision par ordinateur est essentielle.

Bien démarrer avec Ultralytics YOLO sur AMD#

L’AMD Embedded AI Working Group a réuni des développeurs et des partenaires technologiques pour explorer comment l’IA embarquée et l’IA physique passent du développement aux applications concrètes. Des ateliers pratiques avec Ultralytics YOLO26 aux discussions sur le déploiement du cloud à la périphérie, l’événement a mis en évidence des façons concrètes d’intégrer la vision par ordinateur aux systèmes équipés de matériel AMD.

Guide d’intégration AMD d’Ultralytics, ouvert à la section sur l’export et l’inférence avec MIGraphX

Tu souhaites créer des solutions avec Ultralytics YOLO sur du matériel AMD ? Consulte la documentation d’intégration AMD d’Ultralytics pour découvrir le matériel pris en charge, les instructions d’installation, les flux de travail d’entraînement et l’inférence accélérée avec MIGraphX, puis démarre sur la plateforme Ultralytics !

Foire aux questions

Oui. Depuis Ultralytics 8.4.171, YOLO s’entraîne et s’exécute sur les GPU AMD Instinct et Radeon pris en charge via PyTorch sur ROCm, et les modèles ONNX exportés s’exécutent avec le fournisseur d’exécution MIGraphX. La solution fonctionne sous Linux x86_64, et le même argument device=0 utilisé avec les autres GPU sélectionne le GPU AMD.
Oui, sur les processeurs dotés de GPU intégrés pris en charge par ROCm. AMD indique que les Ryzen AI Max+ PRO 395, Ryzen AI Embedded X100 et Ryzen AI Embedded P185 ont été testés pour exécuter des modèles avec PyTorch et les déployer avec MIGraphX. Le NPU Ryzen AI n’est pas un backend natif d’Ultralytics ; les flux de travail NPU utilisent les outils Ryzen AI ou Vitis AI d’AMD sur un modèle ONNX exporté.
MIGraphX est le moteur d’optimisation de graphes et d’inférence d’AMD pour les GPU AMD. Tu n’as pas besoin de modifier ton code : exporte avec format="onnx", charge le fichier .onnx avec YOLO() et lance la prédiction avec device=0. Sur un système ROCm, Ultralytics installe et sélectionne automatiquement le fournisseur d’exécution MIGraphX.
Sur un GPU AMD Radeon 8060S (Ryzen AI Max+ PRO 395), avec FP32, une taille de lot de 1 et une entrée de 640 pixels, et avec Ultralytics 8.4.165, YOLO26n-pose s’exécute en 2,5 ms par image avec MIGraphX, contre 4,6 ms avec PyTorch sur ROCm, avec le même résultat 0.566Ro95 sur COCO. Les temps ne comprennent ni le prétraitement et le post-traitement ni la compilation initiale.
Oui. YOLO26 s’exécute via l’API Python standard d’Ultralytics et s’intègre donc à un nœud ROS 2 comme n’importe quel autre composant Python. Notre guide de démarrage rapide ROS présente un nœud qui exécute YOLO sur des images de caméra et publie des images annotées ; publier les données des points clés demande quelques lignes de code supplémentaires dans le nœud.

Écrit par

Zinnia Pourdad

Responsable des événements internationaux · Ultralytics

Zinnia Pourdad est responsable des événements internationaux chez Ultralytics, où elle dirige la planification et l'organisation des événements mondiaux de l'entreprise, notamment les conférences YOLO Vision et sa participation à des événements du secteur tels que l'IoT Solutions World Congress 2025. Basée à Londres, elle est titulaire d'une licence en géographie humaine de Queen Mary University of London. Avant de rejoindre Ultralytics, elle a occupé des postes dans l'événementiel et les opérations au sein d'entreprises telles que CluedIn, OneTrust et Relish Events.