クイックスタートガイド: NVIDIA DGX SparkでUltralytics YOLO26を使用する#

この包括的なガイドでは、コンパクトなデスクトップAIスーパーコンピューターであるNVIDIA DGX SparkにUltralytics YOLO26をデプロイする手順を詳しく説明します。また、この高性能システム上でのYOLO26の性能を示すベンチマークも紹介します。

NVIDIA DGX Sparkとは何ですか？#

NVIDIA DGX Sparkは、NVIDIA GB10 Grace Blackwell Superchipを搭載したコンパクトなデスクトップAIスーパーコンピューターです。FP4精度で最大1ペタフロップスのAIコンピューティング性能を実現し、デスクトップフォームファクターで高いAI性能を必要とする開発者、研究者、データサイエンティストに適しています。

主な仕様#

DGX OS#

NVIDIA DGX OSは、DGXシステム上でAI、機械学習、分析アプリケーションを実行するための、安定性、テスト、サポートを備えたOS基盤を提供するカスタマイズ済みLinuxディストリビューションです。次の機能が含まれています:

• AIワークロード向けに最適化された堅牢なLinux基盤
• NVIDIAハードウェア向けに事前構成されたドライバーとシステム設定
• セキュリティ更新とシステムメンテナンス機能
• 幅広いNVIDIAソフトウェアエコシステムとの互換性

DGX OSは定期的なリリーススケジュールに従っており、通常は年2回（2月頃と8月頃）更新が提供され、メジャーリリースの間には追加のセキュリティパッチが提供されます。

DGX Dashboard#

DGX Sparkには、次の機能を提供するDGX Dashboardが組み込まれています:

• リアルタイムシステム監視: システムの現在の稼働メトリクスの概要
• システム更新: ダッシュボードから直接更新を適用する機能
• システム設定: デバイス名やその他の設定を変更する機能
• 統合JupyterLab: 開発用のローカルJupyter Notebookへのアクセス

ダッシュボードへのアクセス#

Dockerでのクイックスタート#

NVIDIA DGX Spark上でUltralytics YOLO26を迅速に開始する方法は、ビルド済みDockerイメージを実行することです。NVIDIA ARM64イメージは、DGX OSを搭載したDGX Sparkをサポートしています。

t=ultralytics/ultralytics:latest-nvidia-arm64
sudo docker pull $t && sudo docker run -it --ipc=host --device nvidia.com/gpu=all $t

上記のCDIデバイスリクエストは、DGX OSを実行するDGX Sparkに適用されます。Jetson AGX ThorでのPyTorchワークロードについては、NVIDIA Jetson guideにある個別のホスト要件とTensorRTの制限事項を参照してください。

このイメージはNVIDIA PyTorch 26.08、CUDA 13.4、およびTensorRT 11を使用します。NVIDIA PyTorch 26.08がサポートするバージョンにDGX OSのホストドライバを更新し、イメージまたはターゲットGPUを変更した後にTensorRTエンジンを再ビルドしてください。

完了したら、NVIDIA DGX SparkでTensorRTを使用するセクションに進んでください。

ネイティブインストールを開始する#

Dockerを使用しないネイティブインストールの場合は、次の手順に従ってください。

Ultralyticsパッケージをインストールする#

ここでは、DGX SparkにUltralyticsパッケージをインストールします。エクスポート用の依存関係は、モデルを初めてエクスポートするときに自動的にインストールされるため、ここではベースパッケージのみが必要です。主にNVIDIA TensorRTエクスポートに焦点を当てます。TensorRTにより、DGX Sparkから最大限の性能を引き出せます。

1. パッケージリストを更新し、pipをインストールして最新バージョンにアップグレードする

   sudo apt update
   sudo apt install python3-pip -y
   pip install -U pip

2. ultralytics pipパッケージをインストールする

   pip install ultralytics

3. デバイスを再起動する

   sudo reboot

PyTorchとTorchvisionをインストールする#

上記のultralyticsのインストールにより、TorchとTorchvisionがインストールされます。ただし、pip経由でインストールされるこれらのパッケージは、CUDA 13を搭載したDGX SparkのARM64アーキテクチャ向けに十分最適化されていない可能性があります。そのため、CUDA 13互換バージョンのインストールを推奨します:

pip install torch torchvision --index-url https://download.pytorch.org/whl/cu130

UserWarning: Found GPU0 NVIDIA GB10 which is of cuda capability 12.1.
Minimum and Maximum cuda capability supported by this version of PyTorch is (8.0) - (12.0)

onnxruntime-gpuをインストールする#

現在のONNX Runtime GPU releasesは、Python 3.12を含むLinux ARM64用ホイールを提供しています。NVIDIA ARM64 Dockerイメージは公式パッケージをインストールします。ネイティブなCUDA 13のインストールには以下を使用してください：

pip install onnxruntime-gpu

NVIDIA DGX SparkでTensorRTを使用する#

Ultralyticsがサポートするすべてのモデルエクスポート形式の中で、TensorRTはNVIDIA DGX Spark上で最高の推論性能を提供するため、デプロイには最も推奨される形式です。セットアップ手順と高度な使用方法については、TensorRT専用インテグレーションガイドをご覧ください。

モデルをTensorRTに変換して推論を実行する#

PyTorch形式のYOLO26nモデルをTensorRTに変換し、エクスポートしたモデルで推論を実行します。

from ultralytics import YOLO

# Load a YOLO26n PyTorch model
model = YOLO("yolo26n.pt")

# Export the model to TensorRT
model.export(format="engine")  # creates 'yolo26n.engine'

# Load the exported TensorRT model
trt_model = YOLO("yolo26n.engine")

# Run inference
results = trt_model("https://ultralytics.com/images/bus.jpg")

NVIDIA DGX SparkでのYOLO11ベンチマーク#

YOLO11のベンチマークは、Ultralyticsチームが複数のモデル形式を対象に、速度と精度を測定して実施しました。対象形式はPyTorch、TorchScript、ONNX、OpenVINO、TensorRT、TF SavedModel、TF GraphDef、TF Lite、MNN、NCNN、ExecuTorchです。ベンチマークは、入力画像サイズをデフォルトの640とし、FP32精度でNVIDIA DGX Spark上にて実施しました。

詳細比較表#

以下の表は、5種類のモデル（YOLO11n、YOLO11s、YOLO11m、YOLO11l、YOLO11x）について、複数の形式にわたるベンチマーク結果を示しています。各組み合わせのステータス、サイズ、mAP50-95(B)メトリクス、推論時間が記載されています。

結果を再現する#

上記のUltralyticsベンチマークをすべてのエクスポート形式で再現するには、次のコードを実行します:

from ultralytics import YOLO

# Load a YOLO26n PyTorch model
model = YOLO("yolo26n.pt")

# Benchmark YOLO26n speed and accuracy on the COCO128 dataset for all export formats
results = model.benchmark(data="coco128.yaml", imgsz=640)

NVIDIA DGX Sparkのベストプラクティス#

NVIDIA DGX Sparkを使用する際は、YOLO26の実行時に最大性能を実現するため、いくつかのベストプラクティスに従ってください。

1. システム性能を監視する

   NVIDIAの監視ツールを使用して、GPUとCPUの使用率を追跡します:

   nvidia-smi

2. メモリ使用量を最適化する

   128GBのユニファイドメモリにより、DGX Sparkでは大きなバッチサイズとモデルを処理できます。スループットを向上させるため、バッチサイズの増加を検討してください:

   from ultralytics import YOLO
   
   model = YOLO("yolo26n.engine")
   results = model.predict(source="path/to/images", batch=16)

3. FP16またはINT8でTensorRTを使用する

   最高の性能を得るには、FP16またはINT8精度でモデルをエクスポートします:

   yolo export model=yolo26n.pt format=engine quantize=16 # FP16
   yolo export model=yolo26n.pt format=engine quantize=8  # INT8

システム更新（Founders Edition）#

DGX Spark Founders Editionを最新の状態に保つことは、性能とセキュリティにとって重要です。NVIDIAは、システムOS、ドライバー、ファームウェアを更新するための主な方法を2つ提供しています。

DGX Dashboardを使用する（推奨）#

DGX Dashboardは、互換性を確保しながらシステム更新を実行する推奨方法です。次の操作が可能です:

• 利用可能なシステム更新を表示する
• セキュリティパッチとシステム更新をインストールする
• NVIDIAドライバーとファームウェアの更新を管理する

システムを手動で更新する#

上級ユーザーは、ターミナルから手動で更新できます:

sudo apt update
sudo apt dist-upgrade
sudo fwupdmgr refresh
sudo fwupdmgr upgrade
sudo reboot

次のステップ#

さらに学習やサポートが必要な場合は、Ultralytics YOLO26 Docsをご覧ください。

FAQ#