Ultralytics no AMD Embedded AI Working Group em Dublin
Descobre como a Ultralytics e a AMD exploraram a IA física, a robótica e a implementação de visão computacional no AMD Embedded AI Working Group 2026, em Dublin.
Zinnia Pourdad7 min de leitura
Recentemente, a Ultralytics juntou-se à AMD no evento Embedded AI Working Group, em Dublin, na Irlanda, para dois dias de sessões técnicas, workshops práticos e demonstrações ao vivo sobre IA incorporada e IA física.
Realizado no escritório da AMD em Dublin, nos dias 3 e 4 de novembro de 2026, o evento reuniu engenheiros da AMD, parceiros tecnológicos e programadores para explorar como a IA, o software e a computação adaptativa podem ajudar a levar aplicações do mundo real do conceito à implementação.
Em representação da Ultralytics, Manuel Calve, Head of Ecosystem and Partnerships, e Zinnia Pourdad, Global Events Manager, participaram no evento para estabelecer contactos com o ecossistema AMD mais alargado, destacar os desenvolvimentos recentes do Ultralytics YOLO e mostrar como o Ultralytics YOLO dá suporte a aplicações de visão computacional em hardware AMD.
Ultralytics YOLO e AMD: a evolução da IA da cloud à edge#
O evento decorreu na sequência de desenvolvimentos recentes na colaboração técnica entre a Ultralytics e a AMD, incluindo o suporte oficial para GPUs AMD no Ultralytics YOLO. A integração é compatível com uma variedade de hardware AMD, incluindo GPUs AMD Radeon, e oferece opções adicionais de implementação nos processadores AMD Ryzen AI e em dispositivos edge. Agora, os programadores podem treinar modelos Ultralytics YOLO com o software AMD ROCm e implementar modelos ONNX exportados com o AMD MIGraphX para acelerar a inferência. Este suporte inclui GPUs AMD Radeon e GPUs integradas Ryzen AI compatíveis, e estão em curso outros trabalhos para permitir a implementação nas NPUs Ryzen AI.
O Ultralytics YOLO também passou a dar suporte à exportação para AMD Xilinx, permitindo que os programadores preparem modelos para implementação em NPUs AMD Versal AI Edge Series Gen 2. Com a quantização INT8 através do AMD Quark e a compilação com o Vitis AI, esta integração amplia as capacidades de implementação do Ultralytics YOLO para aplicações de IA edge.
Em conjunto, estas capacidades dão aos programadores mais flexibilidade para criar e implementar aplicações de visão computacional em diferentes ambientes de computação, desde a inspeção industrial e a robótica até às câmaras inteligentes.
Explorar a IA incorporada e a robótica por meio de throRworksho#
O primeiro dia centrou-se em apresentações técnicas e workshops sobre AMD Ryzen AI, ROCm, robótica e desenvolvimento de IA incorporada.
O Ultralytics YOLO26 foi apresentado em dois workshops liderados pela AMD, nos quais os participantes adquiriram experiência prática com Ultralytics YOLO26 estimativa de pose, demonstrando como a visão computacional pode dar suporte a aplicações que precisam de interpretar movimentos e interagir com o ambiente físico.
O segundo workshop usou a estimativa de pose do YOLO26 num contexto de robótica com ROS 2, explorando como a estimativa de pose pode dar suporte a aplicações como robôs que seguem pessoas, monitorização de distância e reconhecimento de gestos. Os programadores interessados em explorar aplicações semelhantes podem consultar o nosso guia de introdução rápida ao ROS.
Nestes workshops práticos, os participantes exploraram como o Ultralytics YOLO26 pode ser integrado em fluxos de trabalho de robótica e IA física, levando a visão computacional para ambientes práticos de desenvolvimento.
Criar IA para o mundo real com Ultralytics YOLO e AMD#
No segundo dia, Manuel Calve, Head of Ecosystem and Partnerships na Ultralytics, apresentou uma sessão técnica intitulada «Criar IA para o mundo real com Ultralytics YOLO e AMD: da cloud à edge».
Da robótica e inspeção industrial às câmaras inteligentes, as aplicações de IA física no mundo real exigem visão computacional rápida, precisa e pronta para implementar.
Manuel destacou como os programadores podem treinar modelos Ultralytics YOLO em GPUs AMD compatíveis usando ROCm, exportar modelos para ONNX e usar MIGraphX para acelerar a inferência. A sessão também explorou opções de implementação em todo o ecossistema de hardware AMD, demonstrando como os fluxos de trabalho de visão computacional podem passar do desenvolvimento para aplicações no mundo real.
As sete tarefas do YOLO26 executadas ao vivo em AMD ROCm#
Nas demonstrações ao vivo, executámos lado a lado todas as tarefas do YOLO26 em AMD ROCm:
- Deteção de objetos: caixas e etiquetas para os objetos detetados
- Segmentação de instâncias: uma máscara de píxeis para cada objeto detetado
- Segmentação semântica: uma classe para cada píxel
- Classificação de imagens: uma etiqueta para a imagem inteira
- Estimativa de pose: 17 pontos-chave por pessoa detetada
- Caixas delimitadoras orientadas: caixas rodadas para vistas aéreas e de cima para baixo
- Estimativa de profundidade: distância em metros para cada píxel
Estas capacidades são particularmente relevantes para aplicações como o controlo de qualidade na indústria transformadora, a robótica autónoma e a monitorização inteligente, nas quais a inferência eficiente de visão computacional é essencial.
Começa a usar o Ultralytics YOLO em AMD#
O AMD Embedded AI Working Group reuniu programadores e parceiros tecnológicos para explorar como a IA incorporada e a IA física estão a passar do desenvolvimento para aplicações no mundo real. Desde workshops práticos com Ultralytics YOLO26 até conversas sobre implementação da cloud à edge, o evento destacou formas práticas de integrar a visão computacional em sistemas com tecnologia AMD.
Tens interesse em desenvolver com Ultralytics YOLO em hardware AMD? Consulta a documentação de integração da Ultralytics com AMD para obter informações sobre hardware compatível, instruções de instalação, fluxos de trabalho de treino e inferência acelerada com MIGraphX e começa a usar a Ultralytics Platform!
Perguntas frequentes
Sim. Desde o Ultralytics 8.4.171, o YOLO treina e é executado em AMD Instinct e em GPUs Radeon compatíveis através do PyTorch em ROCm, e os modelos ONNX exportados são executados através do fornecedor de execução MIGraphX. Funciona em Linux x86_64, e o mesmo argumento
device=0usado noutras GPUs seleciona a GPU AMD.Sim, em processadores com GPUs integradas compatíveis com ROCm. A AMD indica que Ryzen AI Max+ PRO 395, Ryzen AI Embedded X100 e Ryzen AI Embedded P185 foram testados para executar modelos com PyTorch e implementá-los com MIGraphX. A NPU Ryzen AI não é um backend nativo da Ultralytics; os fluxos de trabalho com NPU usam as ferramentas Ryzen AI ou Vitis AI da AMD num modelo ONNX exportado.
O MIGraphX é o motor de otimização de grafos e inferência da AMD para GPUs AMD. Não precisas de alterar o código: exporta com
format="onnx", carrega o ficheiro.onnxcomYOLO()e faz a previsão comdevice=0. Num sistema ROCm, a Ultralytics instala e seleciona automaticamente o fornecedor de execução MIGraphX.Numa GPU AMD Radeon 8060S (Ryzen AI Max+ PRO 395), com FP32, tamanho de lote 1 e entrada de 640 píxeis, usando Ultralytics 8.4.165, o YOLO26n-pose demora 2,5 ms por imagem com MIGraphX, contra 4,6 ms com PyTorch em ROCm, com o mesmo 0.566Ro95 no COCO. Os tempos não incluem o pré-processamento, o pós-processamento nem a compilação inicial.
Sim. O YOLO26 é executado através da API Python padrão da Ultralytics, pelo que se integra num nó ROS 2 como qualquer outro componente Python. O nosso guia de introdução rápida ao ROS mostra um nó que executa YOLO em fotogramas de câmara e publica imagens anotadas; publicar dados de pontos-chave requer apenas algumas linhas adicionais de código no nó.
Escrito por
Gerente global de eventos · Ultralytics
Comentários
Faça uma pergunta, compartilhe seus resultados ou ajude alguém.
