YOLO Vision 2026:

NVIDIA DALIによるGPUアクセラレーション前処理#

本番環境でUltralytics YOLOモデルをデプロイする場合、前処理がボトルネックになることがよくあります。TensorRTはモデルの推論を数ミリ秒で実行できますが、CPUベースの前処理(リサイズ、パディング、正規化)には、特に高解像度の場合、画像1枚あたり2~10msかかることがあります。NVIDIA DALI(データローディングライブラリ)は、前処理パイプライン全体をGPUに移すことでこの問題を解決します。

このガイドでは、Ultralytics YOLOの前処理を正確に再現するDALIパイプラインの構築、model.predict()との統合、ビデオストリームの処理、さらにTriton Inference Serverを使用したエンドツーエンドのデプロイについて説明します。

このガイドの対象者

このガイドは、CPU前処理が測定可能なボトルネックとなる本番環境にYOLOモデルをデプロイするエンジニアを対象としています。通常は、NVIDIA GPU上のTensorRTデプロイ、高スループットのビデオパイプライン、またはTriton Inference Server構成が該当します。model.predict()で標準的な推論を実行していて、前処理がボトルネックになっていない場合は、デフォルトのCPUパイプラインで十分に対応できます。

概要
  • DALIパイプラインを構築する場合: fn.resize(mode="not_larger") + fn.crop(out_of_bounds_policy="pad") + fn.crop_mirror_normalizeを使用して、YOLOのレターボックス前処理をGPU上で再現します。
  • Ultralyticsと統合する場合: DALIの出力をtorch.Tensorとしてmodel.predict()に渡すと、Ultralyticsは画像前処理を自動的にスキップします。
  • Tritonでデプロイする場合: DALIバックエンドとTensorRTアンサンブルを使用して、CPU前処理をゼロにします。

YOLOの前処理にDALIを使用する理由#

一般的なYOLO推論パイプラインでは、前処理の各ステップがCPU上で実行されます。

  1. 画像をデコードします(JPEG/PNG)。
  2. アスペクト比を維持しながらリサイズします。
  3. ターゲットサイズにパディングします(レターボックス)。
  4. ピクセル値を[0, 255]から[0, 1]正規化します。
  5. レイアウトをHWCからCHWに変換します。

DALIでは、これらすべての処理がGPU上で実行されるため、CPUのボトルネックが解消されます。これは特に次のような場合に有効です。

シナリオDALIが役立つ理由
高速なGPU推論サブミリ秒の推論を実現するTensorRTエンジンでは、CPU前処理が主要なコストになります。
高解像度の入力1080pおよび4Kのビデオストリームでは、高コストなリサイズ処理が必要です。
大きなバッチサイズサーバー側の推論で、多数の画像を並列処理します。
限られたCPUコアNVIDIA Jetsonなどのエッジデバイス、またはGPUあたりのCPUコア数が少ない高密度GPUサーバーが該当します。

前提条件#

Linuxのみ

NVIDIA DALIはLinuxのみをサポートしています。WindowsおよびmacOSでは利用できません。

必要なパッケージをインストールします。

pip install ultralytics
pip install --extra-index-url https://pypi.nvidia.com nvidia-dali-cuda130

要件:

  • NVIDIA GPU(コンピュートケーパビリティ5.0以上 / Maxwell以降)
  • CUDA 11.0以降、12.0以降、または13.0以降
  • Python 3.10~3.14
  • Linuxオペレーティングシステム

YOLOの前処理を理解する#

DALIパイプラインを構築する前に、前処理中にUltralyticsが実行する処理を正確に理解しておくことをお勧めします。主要なクラスはultralytics/data/augment.py内のLetterBoxです。

from ultralytics.data.augment import LetterBox

letterbox = LetterBox(
    new_shape=(640, 640),  # Target size
    center=True,  # Center the image (pad equally on both sides)
    stride=32,  # Stride alignment
    padding_value=114,  # Gray padding (114, 114, 114)
)

ultralytics/engine/predictor.pyの完全な前処理パイプラインでは、次のステップが実行されます。

ステップ処理CPU関数DALIでの同等処理
1レターボックスリサイズcv2.resizefn.resize(mode="not_larger")
2中央揃えのパディングcv2.copyMakeBorderfn.crop(out_of_bounds_policy="pad")
3BGR → RGBim[..., ::-1]fn.decoders.image(output_type=types.RGB)
4HWC → CHW + /255で正規化np.transpose + tensor / 255fn.crop_mirror_normalize(std=[255,255,255])

レターボックス処理では、次の方法でアスペクト比を維持します。

  1. スケールを計算: r = min(target_h / h, target_w / w)
  2. (round(w * r), round(h * r))にリサイズ
  3. 残りの領域をグレー(114)でパディングして、ターゲットサイズに合わせます。
  4. 画像を中央揃えにし、両側に均等にパディングを配置します。

YOLO向けDALIパイプライン#

推奨されるDALIパイプラインは、標準的なYOLO推論で使用される、UltralyticsのデフォルトLetterBox(center=True)の動作を再現します。

中央揃えパイプライン(推奨、UltralyticsのLetterBoxに一致)#

このバージョンは、中央揃えのパディングを使用するUltralyticsのデフォルト前処理を正確に再現し、LetterBox(center=True)に一致します。

中央揃えのパディングを使用するDALIパイプライン(推奨)
from nvidia import dali
from nvidia.dali import fn, types

@dali.pipeline_def(batch_size=8, num_threads=4, device_id=0)
def yolo_dali_pipeline_centered(image_dir, target_size=640):
    """DALI pipeline replicating YOLO preprocessing with centered padding.

    Matches Ultralytics LetterBox(center=True) behavior exactly.
    """
    # Read and decode images on GPU
    jpegs, _ = fn.readers.file(file_root=image_dir, random_shuffle=False, name="Reader")
    images = fn.decoders.image(jpegs, device="mixed", output_type=types.RGB)

    # Aspect-ratio-preserving resize
    resized = fn.resize(
        images,
        resize_x=target_size,
        resize_y=target_size,
        mode="not_larger",
        interp_type=types.INTERP_LINEAR,
        antialias=False,  # Match cv2.INTER_LINEAR (no antialiasing)
    )

    # Centered padding using fn.crop with out_of_bounds_policy
    # When crop size > image size, fn.crop centers the image and pads symmetrically
    padded = fn.crop(
        resized,
        crop=(target_size, target_size),
        out_of_bounds_policy="pad",
        fill_values=114,  # YOLO padding value
    )

    # Normalize and convert layout
    output = fn.crop_mirror_normalize(
        padded,
        dtype=types.FLOAT,
        output_layout="CHW",
        mean=[0.0, 0.0, 0.0],
        std=[255.0, 255.0, 255.0],
    )
    return output
`fn.pad`で十分なのはどのような場合ですか?

LetterBox(center=True)との完全な互換性が必要ない場合は、fn.crop(..., out_of_bounds_policy="pad")の代わりにfn.pad(...)を使用して、パディング処理を簡略化できます。この方法では右端と下端のみがパディングされるため、カスタムデプロイパイプラインでは許容できる場合があります。ただし、Ultralyticsのデフォルトの中央揃えレターボックス動作とは正確には一致しません。

中央揃えのパディングに`fn.crop`を使用する理由

DALIのfn.padオペレーターは、右端と下端にのみパディングを追加します。中央揃えのパディング(UltralyticsのLetterBox(center=True)に一致)を実現するには、out_of_bounds_policy="pad"とともにfn.cropを使用します。デフォルトのcrop_pos_x=0.5crop_pos_y=0.5を使用すると、画像は対称的なパディングで自動的に中央揃えになります。

アンチエイリアスの不一致

DALIのfn.resizeはデフォルトでアンチエイリアス(antialias=True)を有効にしますが、OpenCVのcv2.resizeINTER_LINEARではアンチエイリアスが適用されません。CPUパイプラインに一致させるには、DALIで必ずantialias=Falseを設定してください。これを省略すると、モデル精度に影響する微妙な数値差が生じます。

パイプラインの実行#

DALIパイプラインを構築して実行する
# Build and run the pipeline
pipe = yolo_dali_pipeline_centered(image_dir="/path/to/images", target_size=640)
pipe.build()

# Get a batch of preprocessed images
(output,) = pipe.run()

# Convert to numpy or PyTorch tensors
batch_np = output.as_cpu().as_array()  # Shape: (batch_size, 3, 640, 640)
print(f"Output shape: {batch_np.shape}, dtype: {batch_np.dtype}")
print(f"Value range: [{batch_np.min():.4f}, {batch_np.max():.4f}]")

DALIをUltralytics Predictで使用する#

前処理済みのPyTorchテンソルをmodel.predict()に直接渡せます。torch.Tensorが渡されると、Ultralyticsは画像前処理(レターボックス、BGR→RGB、HWC→CHW、/255による正規化)をスキップし、モデルに送信する前にデバイス転送とdtypeキャストのみを実行します。

この場合、Ultralyticsは元画像のサイズにアクセスできないため、検出ボックスの座標は640×640のレターボックス空間で返されます。元画像の座標に戻すには、scale_boxesを使用してください。LetterBoxで使用される正確な丸め処理に対応しています。

from ultralytics.utils.ops import scale_boxes

# boxes: tensor of shape (N, 4) in xyxy format, in 640x640 letterboxed coords
# Scale boxes from letterboxed (640, 640) back to original (orig_h, orig_w)
boxes = scale_boxes((640, 640), boxes, (orig_h, orig_w))

これは、外部前処理を使用するすべての経路(テンソルの直接入力、ビデオストリーム、Tritonデプロイ)に適用されます。

DALI + Ultralyticsのpredict
from nvidia.dali.plugin.pytorch import DALIGenericIterator

from ultralytics import YOLO

# Load model
model = YOLO("yolo26n.pt")

# Create DALI iterator
pipe = yolo_dali_pipeline_centered(image_dir="/path/to/images", target_size=640)
pipe.build()
dali_iter = DALIGenericIterator(pipe, ["images"], reader_name="Reader")

# Run inference with DALI-preprocessed tensors
for batch in dali_iter:
    images = batch[0]["images"]  # Already on GPU, shape (B, 3, 640, 640)
    results = model.predict(images, verbose=False)
    for result in results:
        print(f"Detected {len(result.boxes)} objects")
前処理オーバーヘッドゼロ

torch.Tensormodel.predict()に渡すと、画像前処理の所要時間は、CPU前処理時の~1~10msに対して~0.004ms(実質ゼロ)になります。テンソルはBCHW形式、float32(またはfloat16)で、[0, 1]に正規化されている必要があります。Ultralyticsはデバイス転送とdtypeキャストを引き続き自動的に処理します。

ビデオストリームでDALIを使用する#

リアルタイムのビデオ処理では、fn.external_sourceを使用して、OpenCV、GStreamer、カスタムキャプチャライブラリなど、任意のソースからフレームを入力します。

ビデオストリーム前処理用のDALIパイプライン
from nvidia import dali
from nvidia.dali import fn, types

@dali.pipeline_def(batch_size=1, num_threads=4, device_id=0)
def yolo_video_pipeline(target_size=640):
    """DALI pipeline for processing video frames from external source."""
    # External source for feeding frames from OpenCV, GStreamer, etc.
    frames = fn.external_source(device="cpu", name="input")
    frames = fn.reshape(frames, layout="HWC")

    # Move to GPU and preprocess
    frames_gpu = frames.gpu()
    resized = fn.resize(
        frames_gpu,
        resize_x=target_size,
        resize_y=target_size,
        mode="not_larger",
        interp_type=types.INTERP_LINEAR,
        antialias=False,
    )
    padded = fn.crop(
        resized,
        crop=(target_size, target_size),
        out_of_bounds_policy="pad",
        fill_values=114,
    )
    output = fn.crop_mirror_normalize(
        padded,
        dtype=types.FLOAT,
        output_layout="CHW",
        mean=[0.0, 0.0, 0.0],
        std=[255.0, 255.0, 255.0],
    )
    return output

DALIを使用したTriton Inference Server#

本番環境へのデプロイでは、アンサンブルモデルを使用して、Triton Inference Server内でDALI前処理とTensorRT推論を組み合わせます。これによりCPU前処理が完全に排除され、未加工のJPEGバイト列を入力すると検出結果が出力され、すべての処理がGPU上で実行されます。

モデルリポジトリの構成#

model_repository/
├── dali_preprocessing/
│   ├── 1/
│   │   └── model.dali
│   └── config.pbtxt
├── yolo_trt/
│   ├── 1/
│   │   └── model.plan
│   └── config.pbtxt
└── ensemble_dali_yolo/
    ├── 1/                  # Empty directory (required by Triton)
    └── config.pbtxt

ステップ1: DALIパイプラインを作成する#

Triton DALIバックエンド用にDALIパイプラインをシリアライズします。

Triton用にDALIパイプラインをシリアライズする
from nvidia import dali
from nvidia.dali import fn, types

@dali.pipeline_def(batch_size=8, num_threads=4, device_id=0)
def triton_dali_pipeline():
    """DALI preprocessing pipeline for Triton deployment."""
    # Input: raw encoded image bytes from Triton
    images = fn.external_source(device="cpu", name="DALI_INPUT_0")
    images = fn.decoders.image(images, device="mixed", output_type=types.RGB)

    resized = fn.resize(
        images,
        resize_x=640,
        resize_y=640,
        mode="not_larger",
        interp_type=types.INTERP_LINEAR,
        antialias=False,
    )
    padded = fn.crop(
        resized,
        crop=(640, 640),
        out_of_bounds_policy="pad",
        fill_values=114,
    )
    output = fn.crop_mirror_normalize(
        padded,
        dtype=types.FLOAT,
        output_layout="CHW",
        mean=[0.0, 0.0, 0.0],
        std=[255.0, 255.0, 255.0],
    )
    return output

# Serialize pipeline to model repository
pipe = triton_dali_pipeline()
pipe.serialize(filename="model_repository/dali_preprocessing/1/model.dali")

ステップ2: YOLOをTensorRTにエクスポートする#

YOLOモデルをTensorRTエンジンにエクスポートする
from ultralytics import YOLO

model = YOLO("yolo26n.pt")
model.export(
    format="engine", imgsz=640, quantize=16, batch=8, dynamic=True, nms=False
)  # NMS-free (N, 300, 6); TensorRT >= 8.5
# Copy the .engine file to model_repository/yolo_trt/1/model.plan

ステップ3: Tritonを設定する#

dali_preprocessing/config.pbtxt:

name: "dali_preprocessing"
backend: "dali"
max_batch_size: 8
input [
  {
    name: "DALI_INPUT_0"
    data_type: TYPE_UINT8
    dims: [ -1 ]
  }
]
output [
  {
    name: "DALI_OUTPUT_0"
    data_type: TYPE_FP32
    dims: [ 3, 640, 640 ]
  }
]

yolo_trt/config.pbtxt:

name: "yolo_trt"
platform: "tensorrt_plan"
max_batch_size: 8
input [
  {
    name: "images"
    data_type: TYPE_FP32
    dims: [ 3, 640, 640 ]
  }
]
output [
  {
    name: "output0"
    data_type: TYPE_FP32
    dims: [ 300, 6 ]
  }
]

ensemble_dali_yolo/config.pbtxt:

name: "ensemble_dali_yolo"
platform: "ensemble"
max_batch_size: 8
input [
  {
    name: "INPUT"
    data_type: TYPE_UINT8
    dims: [ -1 ]
  }
]
output [
  {
    name: "OUTPUT"
    data_type: TYPE_FP32
    dims: [ 300, 6 ]
  }
]
ensemble_scheduling {
  step [
    {
      model_name: "dali_preprocessing"
      model_version: -1
      input_map {
        key: "DALI_INPUT_0"
        value: "INPUT"
      }
      output_map {
        key: "DALI_OUTPUT_0"
        value: "preprocessed_image"
      }
    },
    {
      model_name: "yolo_trt"
      model_version: -1
      input_map {
        key: "images"
        value: "preprocessed_image"
      }
      output_map {
        key: "output0"
        value: "OUTPUT"
      }
    }
  ]
}
アンサンブルマッピングの仕組み

アンサンブルは仮想テンソル名を介してモデルを接続します。DALIステップのoutput_mapの値"preprocessed_image"は、TensorRTステップのinput_mapの値"preprocessed_image"に対応します。これらは、あるステップの出力を次のステップの入力にリンクする任意の名前であり、どのモデルの内部テンソル名とも一致する必要はありません。

ステップ4: 推論リクエストを送信する#

`YOLO('http://...')`ではなく`tritonclient`を使用する理由

Ultralyticsには、前処理と後処理を自動的に処理する組み込みのTritonサポートがあります。ただし、YOLO()は前処理済みのfloat32テンソルを送信する一方、アンサンブルは未加工のJPEGバイト列を想定するため、DALIアンサンブルでは動作しません。DALIアンサンブルにはtritonclientを直接使用し、DALIを使用しない標準的なデプロイには組み込みの統合を使用してください。

Tritonアンサンブルに画像を送信する
import numpy as np
import tritonclient.http as httpclient

client = httpclient.InferenceServerClient(url="localhost:8000")

# Load image as raw bytes (JPEG/PNG encoded)
image_data = np.fromfile("image.jpg", dtype="uint8")
image_data = np.expand_dims(image_data, axis=0)  # Add batch dimension

# Create input
input_tensor = httpclient.InferInput("INPUT", image_data.shape, "UINT8")
input_tensor.set_data_from_numpy(image_data)

# Run inference through the ensemble
result = client.infer(model_name="ensemble_dali_yolo", inputs=[input_tensor])
detections = result.as_numpy("OUTPUT")  # Shape: (1, 300, 6) -> [x1, y1, x2, y2, conf, class_id]

# Filter by confidence (no NMS needed for the nms=False export)
detections = detections[0]  # First image
detections = detections[detections[:, 4] > 0.25]  # Confidence threshold
print(f"Detected {len(detections)} objects")
JPEG画像のバッチ処理

JPEG画像のバッチをTritonに送信する場合は、エンコード済みのすべてのバイト配列を同じ長さ(バッチ内の最大バイト数)にパディングしてください。Tritonでは、入力テンソルに均一なバッチ形状が必要です。

サポートされるタスク#

DALIの前処理は、標準のLetterBoxパイプラインを使用するすべてのYOLOタスクで機能します。

タスクサポート対象注記
検出標準的なレターボックス前処理
インスタンスセグメンテーション検出と同じ前処理
セマンティックセグメンテーション検出と同じ画像前処理
分類letterboxではなく、torchvisionの変換(センタークロップ)を使用します
ポーズ推定検出と同じ前処理
指向性検出(OBB)検出と同じ前処理

制限事項#

  • Linuxのみ: DALIはWindowsまたはmacOSをサポートしていません
  • NVIDIA GPUが必須: CPUのみのフォールバックはありません
  • 静的パイプライン: パイプライン構造はビルド時に定義され、動的に変更できません
  • fn.padは右端と下端のみです: 中央揃えのパディングには、out_of_bounds_policy="pad"とともにfn.cropを使用してください
  • rectモードはありません: DALIパイプラインは固定サイズの出力(例: 640×640)を生成します。可変サイズの出力(例: 384×640)を生成するauto=Trueのrectモードはサポートされていません。TensorRTは動的な入力形状をサポートしていますが、最大スループットを得るには、固定サイズのDALIパイプラインを固定サイズのエンジンと組み合わせるのが自然です
  • 複数インスタンス使用時のメモリ: Tritonでinstance_groupcount > 1とともに使用すると、メモリ使用量が高くなる可能性があります。DALIモデルにはデフォルトのインスタンスグループを使用してください

FAQ#

  • メリットはパイプラインによって異なります。TensorRTでGPU推論がすでに高速な場合、CPUでの2~10msの前処理が主なコストになる可能性があります。DALIはGPU上で前処理を実行することで、このボトルネックを解消します。高解像度の入力(1080p、4K)、大きなバッチサイズ、およびGPUあたりのCPUコア数が限られたシステムで、最大の効果が得られます

  • はい。DALIGenericIteratorを使用して前処理済みのtorch.Tensor出力を取得し、それをmodel.predict()に渡してください。ただし、推論がすでに非常に高速で、CPU前処理がボトルネックになるTensorRTモデルで、性能上のメリットが最大になります

  • fn.pad右端と下端にのみパディングを追加します。out_of_bounds_policy="pad"とともにfn.cropを使用すると、画像を中央に配置し、すべての辺に対称的にパディングを追加します。これはUltralyticsのLetterBox(center=True)の動作と一致します

  • ほぼ同一です。OpenCVのcv2.INTER_LINEARに一致させるには、fn.resizeantialias=Falseを設定してください。GPUとCPUの演算の違いにより、わずかな浮動小数点の差(< 0.001)が生じる場合がありますが、検出精度への測定可能な影響はありません

  • CV-CUDAは、GPUアクセラレーションによるビジョン処理向けのもう1つのNVIDIAライブラリです。DALIのパイプライン方式ではなく、(GPU上で動作するOpenCVのように)オペレーター単位の制御を提供します。CV-CUDAのcvcuda.copymakeborder()は辺ごとの明示的なパディングをサポートしているため、中央揃えのletterboxを簡単に実現できます。パイプラインベースのワークフロー(特にTriton)にはDALIを、カスタム推論コードでオペレーター単位のきめ細かな制御が必要な場合にはCV-CUDAを選択してください

コメント