Ultralytics 参加都柏林 AMD 嵌入式 AI 工作组活动
了解 Ultralytics 和 AMD 如何在 2026 年都柏林 AMD 嵌入式 AI 工作组活动中探索 Physical AI、机器人技术和计算机视觉部署。
Zinnia Pourdad5 分钟阅读
Ultralytics 最近参加了 AMD 在爱尔兰都柏林举办的嵌入式 AI 工作组活动，为期两天的技术会议、实践工作坊和现场演示聚焦于嵌入式 AI 和 Physical AI。
活动于 2026 年 11 月 3 日至 4 日在 AMD 都柏林办公室举行，汇集了 AMD 工程师、技术合作伙伴和开发者，共同探讨 AI、软件和自适应计算如何帮助现实应用从概念走向部署。
代表 Ultralytics 出席活动的有生态系统与合作伙伴关系负责人 Manuel Calve，以及全球活动经理 Zinnia Pourdad。他们与更广泛的 AMD 生态系统建立联系，介绍 Ultralytics YOLO 的最新进展，并展示 Ultralytics YOLO 如何支持 AMD 硬件上的计算机视觉应用。
Ultralytics YOLO 与 AMD：推动 AI 从云端走向边缘#
此次活动正值 Ultralytics 与 AMD 技术合作近期取得进展之际，其中包括 Ultralytics YOLO 正式支持 AMD GPU。这项集成支持多种 AMD 硬件，包括 AMD Radeon GPU，并提供在 AMD Ryzen AI 处理器和边缘设备上的更多部署选项。开发者现在可以使用 AMD ROCm 软件训练 Ultralytics YOLO 模型，并使用 AMD MIGraphX 部署导出的 ONNX 模型，以加速推理。这项支持覆盖受支持的 AMD Radeon GPU 和 Ryzen AI 集成 GPU；团队也在继续推进 Ryzen AI NPU 部署支持。
Ultralytics YOLO 现在还支持 AMD Xilinx 导出，帮助开发者为在 AMD Versal AI Edge Series Gen 2 NPU 上部署模型做好准备。该集成使用 AMD Quark 进行 INT8 量化，并使用 Vitis AI 进行编译，将 Ultralytics YOLO 的部署能力扩展到边缘 AI 应用。
这些功能相结合，为开发者在不同计算环境中构建和部署计算机视觉应用提供了更大的灵活性，适用场景涵盖工业检测、机器人技术和智能摄像头。
探索嵌入式 AI 和机器人技术工作坊#
第一天的重点是技术演讲和工作坊，内容涵盖 AMD Ryzen AI、ROCm、机器人技术和嵌入式 AI 开发。
Ultralytics YOLO26 在 AMD 主办的两场工作坊中亮相，参与者通过实践熟悉了 Ultralytics YOLO26 姿态估计，了解计算机视觉如何支持需要解读动作并与物理环境互动的应用。
第二场工作坊在 ROS 2 机器人技术场景中使用了 YOLO26 pose，探索姿态估计如何支持跟随人员的机器人、距离监测和手势识别等应用。想要探索类似应用的开发者，可以参考我们的 ROS 快速入门指南。
通过这些实践工作坊，参与者探索了如何将 Ultralytics YOLO26 集成到机器人技术和 Physical AI 工作流中，让计算机视觉融入实际开发环境。
使用 Ultralytics YOLO 和 AMD 构建真实世界 AI#
第二天，Ultralytics 生态系统与合作伙伴关系负责人 Manuel Calve 进行了题为《使用 Ultralytics YOLO 和 AMD 构建真实世界 AI：从云端到边缘》的技术分享。
从机器人技术和工业检测到智能摄像头，现实世界中的 Physical AI 应用都需要快速、准确且可随时部署的计算机视觉能力。
Manuel 介绍了开发者如何使用 ROCm 在受支持的 AMD GPU 上训练 Ultralytics YOLO 模型、将模型导出为 ONNX 格式，并使用 MIGraphX 加速推理。这场分享还探讨了在 AMD 更广泛的硬件生态系统中的部署选项，展示计算机视觉工作流如何从开发走向现实应用。
所有七项 YOLO26 任务均在 AMD ROCm 上实时运行#
我们的现场演示并排展示了在 AMD ROCm 上运行的全部 YOLO26 任务：
- 目标检测：为检测到的对象绘制边界框并标注类别
- 实例分割：为每个检测到的对象生成像素掩码
- 语义分割：为每个像素预测类别
- 图像分类：为整张图像预测一个标签
- 姿态估计：为每个检测到的人预测 17 个关键点
- 有向边界框：为航拍和俯视图像中的对象绘制旋转边界框
- 深度估计：估计每个像素对应的距离，单位为米
这些能力对于制造业质量控制、自主机器人和智能监控等应用尤为重要，因为这些应用离不开高效的计算机视觉推理。
开始在 AMD 上使用 Ultralytics YOLO#
AMD 嵌入式 AI 工作组汇聚了开发者和技术合作伙伴，共同探索嵌入式 AI 和 Physical AI 如何从开发走向现实应用。从使用 Ultralytics YOLO26 的实践工作坊，到围绕云端到边缘部署的讨论，这场活动展示了将计算机视觉集成到 AMD 驱动系统中的实用方法。
想在 AMD 硬件上使用 Ultralytics YOLO 构建应用？查看 Ultralytics AMD 集成文档，了解受支持的硬件、安装说明、训练工作流以及使用 MIGraphX 加速推理的方法，并从 Ultralytics Platform 开始使用！
常见问题
支持。从 Ultralytics 8.4.171 起，YOLO 可以通过 PyTorch 和 ROCm 在 AMD Instinct 及受支持的 Radeon GPU 上训练和运行，导出的 ONNX 模型则通过 MIGraphX 执行提供程序运行。它支持 Linux x86_64；在 AMD GPU 上，使用的参数与其他 GPU 相同：
device=0。可以，但处理器需要配备受 ROCm 支持的集成 GPU。AMD 列出的已测试型号包括 Ryzen AI Max+ PRO 395、Ryzen AI Embedded X100 和 Ryzen AI Embedded P185，可用于通过 PyTorch 运行模型并使用 MIGraphX 部署。Ryzen AI NPU 不是 Ultralytics 的原生后端；NPU 工作流需要针对导出的 ONNX 模型使用 AMD 的 Ryzen AI 或 Vitis AI 工具。
MIGraphX 是 AMD 面向 AMD GPU 的图优化和推理引擎。你不需要修改代码：使用
format="onnx"导出模型，使用YOLO()加载.onnx文件，然后使用device=0进行预测。在 ROCm 系统上，Ultralytics 会自动安装并选择 MIGraphX 执行提供程序。在 AMD Radeon 8060S GPU（Ryzen AI Max+ PRO 395）上，使用 FP32、批量大小为 1、输入尺寸为 640 像素和 Ultralytics 8.4.165 时，YOLO26n-pose 使用 MIGraphX 每张图像耗时 2.5 毫秒，而使用 ROCm 上的 PyTorch 则耗时 4.6 毫秒；两者在 COCO 上的 0.566Ro95 相同。时间不包括预处理、后处理和一次性编译。
可以。YOLO26 通过标准 Ultralytics Python API 运行，因此可以像其他 Python 组件一样集成到 ROS 2 节点中。我们的 ROS 快速入门指南展示了一个在摄像头帧上运行 YOLO 并发布标注图像的节点；发布关键点数据只需在节点代码中多写几行。
作者
评论
提出问题、分享你的结果，或帮助其他人。
