作者：

黃明明英特爾創(chuàng)新大使

李翊瑋英特爾開發(fā)者技術(shù)推廣經(jīng)理

1背景

在以往的實踐中，當我們針對 ultralytics 的 YOLO 模型開展訓練工作時，可供選擇的計算設(shè)備通常局限于 CPU、mps 以及 cuda 這幾種。然而，自 PyTorch2.5 版本發(fā)布之后，情況有了新的變化，PyTorch2.5正式開始支持英特爾顯卡，也就是說，此后我們能夠借助英特爾 銳炫 顯卡來進行模型訓練了。

具體而言，PyTorch2.5 版本能夠在不同的操作系統(tǒng)及對應的英特爾顯卡系列上提供支持。在 Linux 系統(tǒng)下，它支持 英特爾 數(shù)據(jù)中心 GPU Max 系列；在 Windows 系統(tǒng)下，則支持英特爾銳炫系列。倘若您想要嘗試通過不同的方式來利用英特爾顯卡進行相關(guān)操作，可以參考網(wǎng)址來安裝 GPU 驅(qū)動。

接下來，本文將會選用基于英特爾酷睿 Ultra 7 185H 的AI PC在 Windows 平臺展開具體的演示與應用，以便讓大家更為直觀地了解相關(guān)的操作流程與實際效果。

2安裝驅(qū)動

Linux

如果你正在使用 Linux 操作系統(tǒng)，并且希望充分發(fā)揮英特爾獨立顯卡的性能優(yōu)勢，那么安裝正確的 GPU 驅(qū)動程序至關(guān)重要。在這個過程中，你可以參考網(wǎng)址https://dgpu-docs.intel.com/driver/client/overview.html，該網(wǎng)站提供了詳細且全面的指導，能夠幫助你順利完成 GPU 驅(qū)動的安裝。

Windows

在使用英特爾顯卡的過程中，若你購買的是正版系統(tǒng)并且使用的是默認的 Windows 系統(tǒng)，通常情況下，系統(tǒng)會默認安裝英特爾 銳炫控制面板。這一控制面板為用戶提供了便捷的圖形設(shè)置和管理功能，使用戶能夠根據(jù)自身需求對顯卡進行個性化的調(diào)整。

然而，若你發(fā)現(xiàn)系統(tǒng)中并未安裝英特爾 銳炫控制面板，也無需擔憂，你可以前往英特爾官方支持網(wǎng)站進行下載。英特爾為用戶提供了豐富的支持資源，其中包括針對顯卡相關(guān)問題的詳細解決方案和各類實用工具的下載鏈接。你可以訪問網(wǎng)址，在該頁面中，你能夠找到與英特爾圖形產(chǎn)品支持相關(guān)的各類信息，涵蓋了眾多英特爾處理器系列、顯卡產(chǎn)品以及相關(guān)技術(shù)和解決方案。通過瀏覽該頁面，你可以獲取到更為全面的產(chǎn)品支持信息，有助于你深入了解英特爾圖形產(chǎn)品的特性和功能。

另外，對于如何在 Windows 10 和 Windows 11 系統(tǒng)中安裝英特爾圖形驅(qū)動程序，你可以參考網(wǎng)址https://www.intel.com/content/www/us/en/support/articles/000005629/graphics/processor-graphics.html。該頁面詳細介紹了兩種安裝方法，推薦的方法是使用英特爾 驅(qū)動程序與支持助手（Intel Driver & Support Assistant）自動檢測并安裝驅(qū)動程序。你只需下載該助手，它將為你智能識別系統(tǒng)所需的驅(qū)動程序并完成安裝過程，更多信息可查看英特爾 驅(qū)動程序與支持助手常見問題解答（FAQ）。

PyTorch安裝

安裝Pytorch就比較簡單了，首先建立一個虛擬的Python環(huán)境，然后：

$pip install --pre torch torchvision torchaudio --index-url 
https://download.pytorch.org/whl/nightly/xpu

注意：--index-url https://download.pytorch.org/whl/nightly/xpu請務必加上，如不加上可能安裝的是非XPU版本。

驗證:

import torch

若提示 “******xpu.dll 找不到”，先檢查安裝是否完整，回顧有無遺漏、報錯或中斷情況，確認依賴組件是否安裝到位。同時排查網(wǎng)絡是否被劫持，可換網(wǎng)絡環(huán)境或用檢測工具查看。

若存在問題，要重新下載安裝。在此之前，刪除 pip 的緩存，清理舊文件與錯誤記錄，保障后續(xù)下載完整無誤，順利完成安裝，恢復程序正常運行。

$pip uninstall torch 
$pip uninstall torchaudio
$pip uninstall torchvision 
$pip install --pre torch torchvision torchaudio --index-url https://download.pytorch.org/whl/nightly/xpu

確認XPU是否可以使用：

torch.xpu.is_available()
True

3使用XPU進行模型訓練

之前在英特爾主機上展開模型訓練，執(zhí)行相應代碼就能開啟流程，可因未引入CUDA，僅靠 CPU 運算，訓練耗時長得令人咋舌。就拿筆者實操來說，以往用 CPU 訓練，滿滿六個小時才跑完一輪，效率極低。

好在如今情況大變樣，同樣的訓練任務，用AI PC內(nèi)置的英特爾銳炫 graphics耗時銳減，現(xiàn)在只需一個半小時即可完成，效率提升顯著。

model = YOLO("yolo11s.pt") # load a pretrained model (recommended for training)
# Train the model
results = model.train(data="yolo.yaml", epochs=100, imgsz=640)

依據(jù)官方文檔指引，在利用相關(guān)工具開展訓練工作時，倘若要啟用除默認設(shè)備之外的其他設(shè)備，操作流程原本十分便捷，僅需在 train 方法里精準傳入對應的 device 參數(shù)，便能輕松達成設(shè)備切換，適配多樣化的硬件資源，實現(xiàn)訓練效能的優(yōu)化提升。

然而，就當前情況而言，ultralytics 官方框架尚未提供對 XPU 的原生支持，這無疑給我們借助 XPU 強大算力來加速訓練進程設(shè)置了一道障礙。若執(zhí)意要在訓練流程中啟用 XPU，那就不得不對源代碼進行深度剖析與針對性修改，這一過程既考驗技術(shù)功底，又伴隨著代碼穩(wěn)定性、兼容性等諸多潛在風險。

但值得慶幸的是，即便受限于Ultralytics官方對 XPU 支持的暫缺現(xiàn)狀，我們?nèi)杂凶兺ㄖ??？梢岳@開復雜的源代碼改動，轉(zhuǎn)而在外層通過合理設(shè)置訓練設(shè)備的方式，巧妙引導訓練任務適配期望的硬件設(shè)備，以此確保訓練工作能夠在符合自身硬件條件與算力訴求的環(huán)境下高效、平穩(wěn)開展。

if __name__ == '__main__':
  freeze_support()
  # Load a model
  model = YOLO("yolo11s.pt") # load a pretrained model (recommended for training) and transfer weights
  device_str = "xpu:0"
  device = torch.device(device_str)
  model = model.to(device)
  # Train the model
  results = model.train(data="switch.yaml", epochs=100, imgsz=640)

4總結(jié)

本文圍繞深度學習模型訓練效率提升與硬件資源優(yōu)化利用這一核心主題，聚焦于英特爾AI PC系列平臺，深入闡述了從傳統(tǒng) CPU 訓練模式向 XPU 賦能訓練模式的轉(zhuǎn)型歷程，尤其以 YOLO 模型訓練作為典型范例展開剖析。

過往依賴 CPU 開展 YOLO模型訓練時，受限于 CPU 單核處理能力與串行運算機制，訓練周期冗長，硬件資源利用率也處于較低水平，極大制約了模型迭代優(yōu)化的速度。而隨著 英特爾AI PC系列平臺搭載的 XPU 技術(shù)登場，局面得以徹底扭轉(zhuǎn)。文中詳述了如何借助這一先進平臺，將訓練算力基石從 CPU 平穩(wěn)遷移至 XPU，充分釋放 XPU 兼具的多元處理單元協(xié)同優(yōu)勢與高效并行計算效能。在這一轉(zhuǎn)變過程中，訓練時間得到了大幅度壓縮，原本漫長的訓練時長銳減，效率實現(xiàn)數(shù)倍乃至數(shù)十倍的躍升，讓模型訓練從耗時 “長跑” 變?yōu)楦咝?“沖刺”。

更為關(guān)鍵的是，這種基于 XPU 的訓練革新絕非僅惠及 YOLO 模型。立足長遠，憑借 XPU 卓越的架構(gòu)設(shè)計與強勁算力支撐，后續(xù)眾多依托 torch 框架構(gòu)建的模型及前沿技術(shù)，均可無縫接入并深度運用其強大能力。無論是復雜的圖像識別、語義分割，還是自然語言處理領(lǐng)域的深度神經(jīng)網(wǎng)絡模型，XPU 都將成為它們加速迭代、突破性能瓶頸的 “強效催化劑”，真正達成對深度學習技術(shù)全方位的加速賦能，推動整個領(lǐng)域朝著更高效、更智能的方向闊步邁進。