Привет!
Привет! Я закончил реализацию и проверку всей функциональности которую планировал для публикации следующего релиза Adpet! 🎉 Помимо основных задач, провел важное кросс-платформенное тестирование: ✅ Успешно протестировал распределённое обучение (DDP) на связке из двух RTX 2080Ti. ✅ Проверил сборку и работу на Android с GPU Adreno 650 и Snapdragon 870. 💡 Также в планах на новый релиз: помимо стандартных Python wheel, мы подготовим RPM-пакет для Alt Linux. 📝 Что нового с 6 сентября: 🎮 GPU / Vulkan Backend • Перешли на сегментированный аллокатор памяти для GPU устройств (`vksegalloc`) вместо выделения буферов на каждый тензор. Добавили отдельные абстракции staging-буферов. • Интегрировали это в Vulkan device/manager, GPU API и Python-биндинги. • Реализовали graceful fallback для устройств без поддержки опциональных расширений (на уровнях device, shader и submit). 🎯 YOLO v11 и распределённое обучение • Добавили опцию выбора Device-ID в Python CLI и C++ примере для инференса YOLO. • Реализовали поддержку распределённого обучения (DDP) для YOLO v11, включая корректировки функций потерь под распределённые вычисления. 📦 Сборка и пакетирование • OpenMPI runtime теперь бандлится в wheel, добавлен лаунчер adeptrun. • Настроили пайплайн сборки manylinux wheel. • ⚠️ Важно: Минимальная требуемая версия Python повышена с 3.11 до 3.12. • Починили зависимости MPI и добавили возможность сборки под Android с помощью clang. 🧹 Очистка и адаптация API • Удалили легаси и неструктурированные примеры. • Адаптировали актуальные примеры (LeNet, MLP, ResNet, импорт ONNX) под свежее API. В ближайшее время всё залью в основную ветку, сделаю тег 0.2.0 и опубликую Python пакет для x86_64 в GitVerse 🛠 #Adpet #MachineLearning #Vulkan #YOLOv11 #DistributedTraining #AltLinux #Android #OpenSource #C++ #Python #GPU