blender-mask-peoples/docs/ultralytics-yolo-rocm-guide.md

Ultralytics YOLO with AMD GPU (ROCm) - 完全ガイド

取得日: 2026-02-07 対象: Ultralytics YOLO (YOLOv5/YOLOv8/YOLO11) プラットフォーム: AMD GPU + ROCm

---

目次

1. 公式サポート状況
2. ROCm環境のセットアップ
3. デバイス指定の正しい方法
4. Ultralytics YOLOでの使用方法
5. トラブルシューティング
6. コミュニティ実装例
7. 参考資料

---

公式サポート状況

Ultralyticsの公式見解

重要: Ultralytics YOLOは現在、AMD ROCmのネイティブサポートを提供していません。

• Issue #10323 (2024年4月25日開設、2024年6月8日に"not planned"としてクローズ)

  • Glenn Jocher氏（Ultralyticsチームメンバー）の回答:

    "YOLOv8 primarily supports Nvidia CUDA for GPU acceleration"

  • ネイティブROCmサポートの即時計画はない
  • コミュニティによるPull Requestは歓迎

• 推奨される回避策: PyTorchのROCm互換性レイヤーを使用

使用可能な選択肢

1. PyTorch ROCmバックエンド経由 (非公式だが実用可能)
2. Dockerコンテナを使用した環境分離
3. クラウドGPUレンタル (NVIDIA GPU使用)
4. ONNXエクスポート + AMD推論エンジン

---

ROCm環境のセットアップ

1. ROCmサポート確認

対応GPU

• Instinctシリーズ: MI100 (gfx908), MI210/MI250/MI250x (gfx90a), MI300A/MI300X/MI325 (gfx942), MI350/MI355 (gfx950)
• Radeon RXシリーズ: RX 7900 GRE以上、一部のRX 6000シリーズ (gfx1030, gfx1100/1101, gfx1200/1201)
• 統合GPU: 一部のRyzen APU (環境変数による回避策が必要)

GPU情報の確認

rocminfo | grep gfx

2. PyTorch ROCmのインストール

方法A: Dockerイメージ（推奨）

AMDが検証済みのDockerイメージを使用:

# 最新イメージの取得
docker pull rocm/pytorch:latest

# コンテナの起動
docker run -it \
    --cap-add=SYS_PTRACE \
    --security-opt seccomp=unconfined \
    --device=/dev/kfd \
    --device=/dev/dri \
    --group-add video \
    --ipc=host \
    --shm-size 8G \
    rocm/pytorch:latest

利用可能なタグ（ROCm 7.2.0時点）:

• PyTorch 2.9.1 + Python 3.12/3.10
• PyTorch 2.8.0 + Python 3.12/3.10
• PyTorch 2.7.1 + Python 3.12/3.10

方法B: Wheelパッケージ（ベアメタル）

# 依存関係のインストール
sudo apt install libjpeg-dev python3-dev python3-pip

# PyTorch ROCmのインストール
pip3 install --pre torch torchvision torchaudio \
    --index-url https://download.pytorch.org/whl/nightly/rocm7.0

注意: AMDはrepo.radeon.comで提供されるWHLの使用を推奨（PyTorch.orgのnightly buildsは頻繁に変更されテストが不十分）

方法C: ソースからビルド

git clone https://github.com/pytorch/pytorch.git
cd pytorch
git submodule update --init --recursive

# GPUアーキテクチャを指定
export PYTORCH_ROCM_ARCH=gfx90a  # 例: MI210/MI250の場合

# ビルド手順に従う
# (pytorch/pytorch リポジトリのREADME参照)

3. インストールの確認

python3 -c 'import torch; print(torch.cuda.is_available())'
# 出力: True (GPUが利用可能な場合)

python3 -c 'import torch; print(torch.version.hip)'
# 出力: ROCmバージョン（例: '5.7.31921'）

---

デバイス指定の正しい方法

重要な概念

PyTorch ROCmは意図的にCUDAインターフェースを再利用します。これにより、コード変更を最小限に抑えています。

基本的なデバイス指定

import torch

# デフォルトのGPUデバイス
cuda = torch.device('cuda')

# 特定のGPUデバイス
cuda0 = torch.device('cuda:0')  # GPU 0
cuda1 = torch.device('cuda:1')  # GPU 1
cuda2 = torch.device('cuda:2')  # GPU 2

注意: "rocm"や"hip"は無効なデバイス文字列です。必ず"cuda"を使用してください。

HIP vs CUDAの検出

import torch

if torch.cuda.is_available():
    if torch.version.hip:
        print("Running on AMD GPU with ROCm/HIP")
        print(f"ROCm version: {torch.version.hip}")
    elif torch.version.cuda:
        print("Running on NVIDIA GPU with CUDA")
        print(f"CUDA version: {torch.version.cuda}")
else:
    print("No GPU available")

Ultralytics YOLOでのデバイス指定

Ultralytics APIを使用する場合:

from ultralytics import YOLO

# モデルの読み込み
model = YOLO('yolov8n.pt')

# 推論時のデバイス指定
# 方法1: 文字列で指定
results = model.predict('image.jpg', device='cuda:0')

# 方法2: 整数で指定（GPU番号）
results = model.predict('image.jpg', device=0)

# 方法3: CPUを使用
results = model.predict('image.jpg', device='cpu')

# トレーニング時のデバイス指定
model.train(data='coco.yaml', epochs=100, device=0)

---

Ultralytics YOLOでの使用方法

基本的な推論

from ultralytics import YOLO
import torch

# GPU確認
print(f"CUDA available: {torch.cuda.is_available()}")
print(f"ROCm version: {torch.version.hip if torch.version.hip else 'N/A'}")

# モデルのロード
model = YOLO('yolov8n.pt')

# 推論の実行
results = model('path/to/image.jpg', device=0)

# 結果の処理
for result in results:
    boxes = result.boxes  # Boxes object
    masks = result.masks  # Masks object (セグメンテーションの場合)
    probs = result.probs  # 分類の場合

バッチ処理

from ultralytics import YOLO
from pathlib import Path

model = YOLO('yolov8n.pt')

# 画像リストで推論
image_folder = Path('path/to/images')
image_paths = list(image_folder.glob('*.jpg'))

# バッチサイズを指定して推論
results = model.predict(image_paths, device=0, batch=16)

for i, result in enumerate(results):
    result.save(filename=f'result_{i}.jpg')

トレーニング

from ultralytics import YOLO

# モデルの作成
model = YOLO('yolov8n.yaml')

# トレーニングの実行
results = model.train(
    data='coco.yaml',
    epochs=100,
    imgsz=640,
    device=0,  # AMD GPUを使用
    batch=16,
    workers=8
)

モデルのエクスポート（ONNX）

AMD環境での推論最適化のため、ONNXにエクスポート:

from ultralytics import YOLO

model = YOLO('yolov8n.pt')

# ONNXフォーマットにエクスポート
model.export(format='onnx', dynamic=True)

エクスポート後、AMD MIGraphXで最適化:

migraphx-driver compile ./yolov8n.onnx \
    --optimize \
    --gpu \
    --enable-offload-copy \
    --binary \
    -o yolov8n.mxr

---

トラブルシューティング

1. GPU認識されない

症状

torch.cuda.is_available()  # False

解決策

ユーザー権限の確認:

# ユーザーを適切なグループに追加
sudo usermod -a -G video $USER
sudo usermod -a -G render $USER

# 再ログインして反映

デバイスアクセスの確認:

ls -la /dev/kfd /dev/dri/

ROCmインストールの確認:

rocm-smi
# GPUリストが表示されるはず

2. hipErrorNoBinaryForGpu

症状

RuntimeError: HIP error: hipErrorNoBinaryForGpu

原因

PyTorchが対象GPUアーキテクチャ用にコンパイルされていない

解決策

GPUアーキテクチャの確認:

rocminfo | grep gfx

環境変数による回避 (統合GPUやサポート外GPU):

# gfx90cの場合、gfx900として認識させる
export HSA_OVERRIDE_GFX_VERSION=9.0.0

# 再度Pythonを実行
python3 your_script.py

ソースからビルドする場合:

export PYTORCH_ROCM_ARCH=gfx1030  # 自分のGPUアーキテクチャを指定
# PyTorchをビルド

3. GPU転送のハング/失敗

症状

• スクリプトが無言でハング
• GPU-CPU間のデータ転送が失敗

解決策

PCIe Atomicsサポートの問題 (コンシューマー向けマザーボード):

# SDMA（ダイレクトメモリアクセス）を無効化
export HSA_ENABLE_SDMA=0

python3 your_script.py

この設定なしでは「GPU memory transfers will silently hang/fail」する可能性があります。

4. ROCmバージョンの非互換性

症状

ImportError: libMIOpen.so.1: cannot open shared object file

解決策

特定バージョンのROCmを使用:

• ROCm 5.7が推奨される場合が多い
• ROCm 6.0.0は一部環境で動作しない報告あり

Dockerイメージを使用してバージョンを固定:

docker pull rocm/pytorch:rocm5.7_ubuntu22.04_py3.10_pytorch_2.0.1

5. メモリ不足エラー

症状

RuntimeError: HIP out of memory

解決策

メモリ使用状況の確認:

import torch

print(f"Allocated: {torch.cuda.memory_allocated() / 1024**3:.2f} GB")
print(f"Reserved: {torch.cuda.memory_reserved() / 1024**3:.2f} GB")

キャッシュのクリア:

torch.cuda.empty_cache()

バッチサイズの削減:

model.train(data='coco.yaml', batch=8)  # デフォルトより小さく

キャッシュアロケータの無効化 (デバッグ用):

export PYTORCH_NO_HIP_MEMORY_CACHING=1

6. パフォーマンスが遅い

最適化のヒント

hipBLASワークスペースの調整:

# デフォルトは32 MiB、MI300+は128 MiB
export HIPBLAS_WORKSPACE_CONFIG=128M

Composable Kernelの有効化 (対応GPU):

import torch
torch.backends.cuda.matmul.allow_tf32 = True  # TF32はROCmで非対応

混合精度トレーニング:

from ultralytics import YOLO

model = YOLO('yolov8n.pt')
model.train(
    data='coco.yaml',
    epochs=100,
    amp=True,  # Automatic Mixed Precision
    device=0
)

---

コミュニティ実装例

AMD統合GPU向けYOLOv8実装

GitHub: harakas/amd_igpu_yolo_v8

主な特徴

• DockerベースのROCm + PyTorch環境
• 統合GPUに特化した環境変数設定
• YOLOv5/YOLOv8の推論例
• MIGraphXを使った本番デプロイ

セットアップ例

# Dockerイメージのビルド
docker build -t rocm-pytorch .

# ラッパースクリプトでPythonを実行
./rocm_python yolo8.py

必須環境変数

# PCIe Atomics非サポート対策
export HSA_ENABLE_SDMA=0

# GPUアーキテクチャのオーバーライド
export HSA_OVERRIDE_GFX_VERSION=9.0.0  # gfx90cの場合

パフォーマンス実測値

テスト環境: AMD Ryzen 3 5400U (統合GPU)

• YOLOv8n (640x640): 約50 FPS (0.02秒/画像)
• YOLOv8n (320x320): 約140 FPS

MIGraphXデプロイ

# 1. ONNXエクスポート
python3 -c "from ultralytics import YOLO; YOLO('yolov8n.pt').export(format='onnx')"

# 2. MIGraphXバイナリにコンパイル
migraphx-driver compile ./yolov8n.onnx \
    --optimize \
    --gpu \
    --enable-offload-copy \
    --binary \
    -o yolov8n.mxr

# 3. MIGraphX Python APIで推論
# (PyTorch依存なし、高速化)

---

制限事項と注意点

PyTorch ROCmの制限

1. TensorFloat-32 (TF32): ROCmでは非対応
2. 分散トレーニング: NCCLとGlooバックエンドのみサポート
3. hipFFT/rocFFT: プランキャッシュサイズの設定は非サポート

Ultralytics YOLO固有の問題

1. 公式サポートなし: AMDからの技術サポートは期待できない
2. パフォーマンス: NVIDIA CUDAと比較して遅い場合がある
3. 互換性: 全機能が動作する保証はない（特に新機能）

推奨される使用ケース

ROCmが適している場合:

• 既にAMD GPUを所有している
• 開発/テスト環境
• 小～中規模のデータセット

クラウドGPUを検討すべき場合:

• 本番環境での大規模トレーニング
• 最高のパフォーマンスが必要
• 公式サポートが必要

---

完全な動作例

統合GPU環境での推論スクリプト

#!/usr/bin/env python3
"""
AMD GPU (ROCm) 向け Ultralytics YOLO 推論スクリプト
"""
import os
import torch
from ultralytics import YOLO

# 必須環境変数の設定（統合GPUの場合）
os.environ['HSA_ENABLE_SDMA'] = '0'
os.environ['HSA_OVERRIDE_GFX_VERSION'] = '9.0.0'  # 自分のGPUに合わせて調整

def check_gpu():
    """GPU利用可能性の確認"""
    print("=" * 50)
    print("GPU情報")
    print("=" * 50)
    print(f"CUDA available: {torch.cuda.is_available()}")
    if torch.cuda.is_available():
        print(f"GPU count: {torch.cuda.device_count()}")
        print(f"Current device: {torch.cuda.current_device()}")
        print(f"Device name: {torch.cuda.get_device_name(0)}")
        print(f"ROCm version: {torch.version.hip}")
        print(f"Memory allocated: {torch.cuda.memory_allocated() / 1024**3:.2f} GB")
        print(f"Memory reserved: {torch.cuda.memory_reserved() / 1024**3:.2f} GB")
    print("=" * 50)

def main():
    # GPU確認
    check_gpu()

    if not torch.cuda.is_available():
        print("警告: GPUが利用できません。CPUで実行します。")
        device = 'cpu'
    else:
        device = 0  # GPU 0を使用

    # モデルのロード
    print(f"\nモデルをロード中... (device={device})")
    model = YOLO('yolov8n.pt')

    # 推論の実行
    print("\n推論を実行中...")
    results = model.predict(
        source='path/to/image.jpg',
        device=device,
        conf=0.25,
        iou=0.7,
        imgsz=640,
        save=True,
        save_txt=True
    )

    # 結果の表示
    for i, result in enumerate(results):
        print(f"\n結果 {i+1}:")
        print(f"  検出数: {len(result.boxes)}")
        print(f"  処理時間: {result.speed['inference']:.2f}ms")

        # ボックス情報
        for box in result.boxes:
            cls = int(box.cls[0])
            conf = float(box.conf[0])
            print(f"    クラス: {model.names[cls]}, 信頼度: {conf:.2f}")

    # メモリ解放
    torch.cuda.empty_cache()
    print("\n完了!")

if __name__ == '__main__':
    main()

Dockerを使った実行例

# Dockerfile
FROM rocm/pytorch:rocm5.7_ubuntu22.04_py3.10_pytorch_2.0.1

# Ultralyticsのインストール
RUN pip install ultralytics opencv-python

# 作業ディレクトリ
WORKDIR /workspace

# 環境変数の設定
ENV HSA_ENABLE_SDMA=0
ENV HSA_OVERRIDE_GFX_VERSION=9.0.0

CMD ["/bin/bash"]

# ビルドと実行
docker build -t yolo-rocm .

docker run -it --rm \
    --device=/dev/kfd \
    --device=/dev/dri \
    --group-add video \
    --ipc=host \
    --shm-size 8G \
    -v $(pwd):/workspace \
    yolo-rocm \
    python3 inference.py

---

参考資料

公式ドキュメント

• PyTorch HIP (ROCm) Semantics
• PyTorch on ROCm Installation
• ROCm PyTorch Compatibility
• Ultralytics YOLO Documentation

GitHub Issues & Discussions

• AMD GPU support and optimisation - YOLOv5 #2995
• Direct support for AMD GPUs/ROCm - Ultralytics #10323
• Running YOLOV8 on non CUDA GPU - Discussion #10066

コミュニティリソース

• harakas/amd_igpu_yolo_v8 - AMD統合GPU向け実装例
• ROCm Docker Hub - 公式Dockerイメージ
• PyTorch for AMD ROCm Platform Blog

トラブルシューティングリソース

• How to run torch with AMD gpu? - PyTorch Forums
• Install AMD GPU ROCm and PyTorch on Ubuntu - GitHub Gist

---

まとめ

重要なポイント

1. 公式サポートなし: Ultralytics YOLOはROCmをネイティブサポートしていないが、PyTorchのROCmバックエンド経由で動作可能

2. デバイス指定: device='cuda' または device=0 を使用（'rocm'や'hip'は無効）

3. 環境変数が重要: 統合GPUや一部のコンシューマーGPUでは HSA_ENABLE_SDMA=0 と HSA_OVERRIDE_GFX_VERSION が必須

4. Dockerが推奨: 環境の一貫性とトラブル回避のため、公式ROCm PyTorchイメージの使用を推奨

5. パフォーマンス: NVIDIA CUDAより遅い場合があるが、小～中規模の用途では実用的

次のステップ

• 自分のGPUアーキテクチャを確認 (rocminfo | grep gfx)
• Docker環境でテスト推論を実行
• パフォーマンスが不十分な場合はONNX + MIGraphXを検討
• 本番環境ではクラウドGPUの使用を検討

---

ドキュメント作成: Claude Code (Sonnet 4.5) 最終更新: 2026-02-07