Inter的电脑使用GPU加速训练
换新电脑就是不一样，但是突然发现是inter的显卡，下面说一下如何使用inter的显卡加速训练。先大致步骤说一下：将ultralytics软件包中的torch_utils.py中的select_device函数修改一下，然后使用训练代码进行进行训练就可以了。
一、环境
现在的YOLO直接下载ultralytics这个软件库，再加上数据集，就可以了。
首先找到下载好的ultralytics软件包中需要修改的函数代码文件，下面是以conda环境为例的路径：
Anaconda3\envs\你的环境名\Lib\site-packages\ultralytics\utils\torch_utils.py找到后用编译器打开，在183行找到如图的代码加上一个else语句让他可以识别到xpu就可以了，
代码如下：
elif device == 'xpu' or device.startswith('xpu:'): # 检查 Intel XPU 是否可用 if hasattr(torch, 'xpu') and torch.xpu.is_available(): # 解析设备索引，例如 ‘xpu:0’ device_idx = 0 if ':' in device: device_idx = int(device.split(':')[1]) # 检查索引是否有效 if device_idx < torch.xpu.device_count(): device_obj = torch.device(f'xpu:{device_idx}') if verbose: print(f'使用 Intel XPU 设备: xpu:{device_idx} ({torch.xpu.get_device_name(device_idx)})') return device_obj else: raise ValueError(f"无效的 XPU 设备索引 {device_idx}，可用设备数为 {torch.xpu.device_count()}") else: raise ValueError(f"请求使用 Intel XPU (‘device={device}’)，但 XPU 不可用。请检查驱动和 IPEX 安装。")然后就保存退出就可以了。
二、训练代码
这样就可以使用常规训练代码训练了，但是在训练1轮之后会报错，这个 _clear_memory 是一个通用工具函数，它在每个训练周期（epoch）结束后都可能被调用，目的是防止显存（VRAM）峰值。这个会自动调用CUDA，所以在训练代码开头加上一个猴子补丁，下面是训练代码：
# ============ 【1. 必加：猴子补丁，解决所有CUDA硬编码问题】 ============ import os os.environ['NUM_WORKERS'] = '0' # Windows必须 os.environ['PYTHONWARNINGS'] = 'ignore' import torch import ultralytics.engine.trainer as trainer_module # --- 修补 _get_memory 函数 --- _original_get_memory = trainer_module.BaseTrainer._get_memory def _patched_get_memory(self, fraction=False): """永远返回一个极低的内存使用率，让框架跳过清理，避免调用 torch.cuda""" return 0.01 if fraction else 1024 # 返回1%使用率或1024字节 trainer_module.BaseTrainer._get_memory = _patched_get_memory print("✅ 关键补丁已应用：内存检查函数已替换，规避CUDA调用。") # ============ 【2. 正常训练流程】 ============ from ultralytics import YOLO # 设置设备 device = torch.device('xpu:0') print(f"训练设备: {device}") # 加载模型并移动 model = YOLO('yolov8n.pt') # 请确保此权重文件存在 model.model.to(device) print(f"模型已移至: {next(model.model.parameters()).device}") # 开始训练 results = model.train( data='data/data.yaml', # 你的数据集配置文件 epochs=5, imgsz=640, batch=32, device='xpu', # 框架用此参数处理数据位置 workers=0, amp=False, # 必须关闭，避免AMP相关CUDA调用 half=False, # 必须关闭 verbose=True, name='yolo_xpu_final_fixed', plots=True, ) print(f"\n🎉 训练完成！结果保存在: {results.save_dir}")你可以根据自己的数据集来修改2中的参数（注释的不要修改），然后就可以开始在新电脑上进行GPU加速训练了。非常的好用，快速解决问题。