Cloud & DevOps Workflows

Sistema de cumplimiento normativo DS 132 (Chile) para detección automatizada de EPP en minería. Integra con ppe-detection-pipeline para verificar uso de casco, chaleco, guantes, lentes y botas según normativa chilena. Genera reportes PDF/HTML/JSON con métricas por zona, turno y persona. Alertas regulatorias para SERNAGEOMIN cuando compliance < 90%. Log de auditoría inmutable multi-site. Multi-GPU ROCm/CUDA. Use this skill when checking DS 132 compliance, auditing PPE requirements by zone, or generating compliance reports for Chilean mining operations. / Útil al verificar cumplimiento DS 132, auditar EPP por zona, o generar reportes de compliance.

Pipeline de detección de EPP en video para minería e industria. Usa YOLOv8x sobre ROCm/CUDA para detectar casco, chaleco, guantes, lentes y botas en tiempo real sobre RTSP, archivos o USB. Tracking de personas con asignación de EPP, alertas vía webhook/MQTT/log, video anotado y JSON. Multi-cámara, multi-GPU, fine-tuning con data augmentation para minería. AMD ROCm y NVIDIA CUDA. Use this skill when building PPE detection systems for mining, detecting hardhats/safety vests in video, or setting up industrial safety compliance monitoring. / Útil al construir sistemas de detección de EPP para minería, detectar cascos/chalecos en video, o configurar monitoreo de cumplimiento. Keywords: ppe detection, epp, deteccion elementos proteccion, casco seguridad, hardhat detection, chaleco reflectante, safety gear, mining safety, industrial surveillance, yolo, rocm, cuda, tracking, video analytics, seguridad minera, mineria, industrial safety.

Benchmarking completo de GPU AMD ROCm (MI300X, MI250, RX 7900) y NVIDIA CUDA (A100, H100, RTX) para medir rendimiento en memoria, compute, inferencia y consumo energético. Incluye detección automática de backend, benchmark de bandwidth (H2D/D2H/P2P), throughput de matrix multiply (GEMM) en FP32/FP16, benchmark de inferencia PyTorch con dummy CNN y Transformer, monitoreo en tiempo real con rocm-smi/nvidia-smi, stress test con detección de thermal throttling, y reporte consolidado en JSON. Actívalo al probar rendimiento de GPU AMD, comparar ROCm vs CUDA, hacer stress test en MI300X, medir throughput de inferencia, o diagnosticar cuello de botella en GPU.

Configura y verifica Docker con soporte GPU AMD ROCm y NVIDIA CUDA. Realiza preflight checks, configura runtime para AMD (--device=/dev/kfd --device=/dev/dri --group-add=render) y NVIDIA (--runtime nvidia --gpus all), y valida que los contenedores detecten GPUs. Incluye docker-compose multi-perfil, entrypoint con detección automática de backend, y Dockerfile multi-stage para construir imágenes que funcionen en cualquier hardware. Usar cuando necesites ejecutar contenedores con GPU AMD o NVIDIA, configurar Docker para ROCm, verificar setup de Docker + GPU, o crear pipelines multi-backend.

Instalación y verificación de ROCm en GPUs AMD (MI300X, MI250, MI100, RX 7900, RX 9070) con detección automática de NVIDIA CUDA y fallback a CPU. Configura drivers y variables de entorno (HIPVISIBLEDEVICES, HSAOVERRIDEGFXVERSION, ROCRVISIBLEDEVICES), verifica torch.cuda.isavailable() para ROCm y CUDA, y ejecuta smoke tests con rocm-smi y rocminfo. Actívalo al instalar ROCm en servidores AMD para AI/ML, configurar GPUs multi-backend, detectar hardware AMD/NVIDIA, validar gfx942/gfx90a, verificar torch.cuda con HIP, o preparar PyTorch multi-GPU.

Diagnóstico integral de problemas con AMD ROCm (MI300X, MI250, RX 7900, RX 9070) y compatibilidad NVIDIA CUDA. Cubre: GPU no detectada, torch.cuda.isavailable() False, Docker GPU passthrough falla, vLLM sin GPU, HSAOVERRIDEGFXVERSION incorrecto, permisos /dev/kfd, OOM, rendimiento subóptimo. Incluye diagnóstico automático, checklist y referencia de errores con soluciones. Detecta conflictos ROCm vs NVIDIA. Keywords: rocm, troubleshoot, debug, diagnostic, gpu, amd, mi300x, mi250, rx7900, driver, error, fix, nvidia, cuda, docker, pytorch, vllm, yolo, hip, rocminfo, rocm-smi, /dev/kfd, HSAOVERRIDEGFXVERSION, OOM, permission, compatibility, version-mismatch. Use this skill when diagnosing ROCm GPU errors, fixing PyTorch-ROCm issues, or troubleshooting AMD GPU detection problems. / Útil al diagnosticar errores de GPU ROCm, fixear PyTorch-ROCm, o troubleshoot de detección de GPU AMD.

Pipeline de inferencia sobre video en tiempo real o batch usando GStreamer + ROCm/CUDA. Captura video desde RTSP, archivos o cámara, decodifica con aceleración HW (AMD VCN / NVIDIA NVDEC / CPU), extrae frames, ejecuta inferencia con YOLO/VLM, produce JSON, video anotado o RTMP push. Multi-backend con detección automática, preprocesamiento, inferencia batch. Use this skill when building video inference pipelines with GStreamer, processing RTSP streams with YOLO, or extracting frames with hardware acceleration. / Útil al construir pipelines de inferencia de video con GStreamer, procesar streams RTSP con YOLO, o extraer frames con aceleración hardware.

Despliegue de vLLM para inferencia LLM/VLM en GPUs AMD ROCm o NVIDIA CUDA con detección automática de backend. Cubre instalación, configuración Docker, selección de modelos multimodales (InternVL2, Qwen2-VL, LLaVA), optimización de rendimiento y tests de inferencia. Útil cuando necesites servir LLMs o VLMs con cualquier GPU disponible, configurar vLLM para ROCm o CUDA, hacer inferencia multimodal, o desplegar servidores compatibles con OpenAI API.

Inferencia de Vision-Language Models (VLM) en GPU AMD ROCm usando PyTorch directo sin vLLM. Cubre carga y ejecución de modelos multimodales (imagen + texto) como LLaVA, Qwen2-VL, InternVL2 y PaliGemma con detección automática del backend GPU (ROCm, CUDA o CPU). Incluye scripts de inferencia y benchmark con métricas de latencia, tokens/s y VRAM. La skill configura el dtype óptimo según el backend (float16 para ROCm, bfloat16 para CUDA, float32 para CPU), maneja preprocesamiento multimodal, sampling con temperatura/top-p, y resolución de issues comunes como OOM, flash-attention no disponible en ROCm, y devicemap fallback. Ideal para captioning, visual question answering (VQA), describe-image, y cualquier tarea de visión-lenguaje en GPUs AMD.

Despliegue de YOLOv8x con PyTorch para detección de objetos en GPUs AMD ROCm o NVIDIA CUDA, con fallback automático a CPU. Exportación a ONNX (universal), TorchScript, TensorRT (NVIDIA) y OpenVINO (Intel). Benchmark completo de rendimiento: FPS, latencia p50/p95/p99, VRAM, throughput. Validación de precisión mAP@50 y mAP@50:95. Usar cuando necesites ejecutar YOLO en GPU AMD o NVIDIA, exportar modelos para diferentes backends, o benchmarkear detección de objetos.