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、NVIDIAの小型デスクトップ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、YOLO26がこの高性能システムで発揮する能力を示す性能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を搭載した小型のデスクトップAIスーパーコンピューターです。FP4精度で最大1ペタFLOPのAI計算性能を提供し、デスクトップサイズの環境で高い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最適です。

主な仕様#

DGX OS#

NVIDIA DGX OSは、DGXシステムでAI、機械学習、分析アプリケーションを実行するための、安定性と検証済みのサポートを備えたOS基盤を提供する、カスタマイズされた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設定されたドライバーとシステム設定
• セキュリティアップデートとシステムメンテナンス機能
• NVIDIAの幅広い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）アップデートが提供されます。また、メジャーリリースの間にも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:

• リアルタイムのシステム監視: システムの現在の稼働状況を示すメトリクスの概要
• システムアップデート: ダッシュボードから直接アップデートを適用できます
• システム設定: デバイス名やその他の設定を変更できます
• JupyterLabの統合: 開発用のローカルJupyter Notebookにアクセスできます

ダッシュボードへのアクセス#

Dockerでクイックスタート#

NVIDIA DGX SparkでUltralytics YOLO26を使い始める最も速い方法は、事前構築済みの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に対応しています。

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PyTorchワークロードを実行する場合は、ホスト要件とTensorRTの制限について、NVIDIA Jetsonガイドを参照してください。

このイメージでは、NVIDIA PyTorch 26.08、CUDA 13.4、TensorRT 11.2を使用します。DGX OSホストドライバーをNVIDIA PyTorch 26.08がサポートするバージョンに更新し、イメージまたは対象GPUを変更した後はTensorRTエンジンを再構築してください。

これが完了したら、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を使わずにネイティブインストールする場合は、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。エクスポートに必要な依存関係は、モデルを初めてエクスポートするときに自動でインストールされるため、ここでは基本パッケージのみが必要です。DGX Sparkの性能を最大限に引き出せるTensorRTを中心に、NVIDIA TensorRTエクスポートについて説明します。

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のインストールでは、TorchとTorchvisionがインストールされます。ただし、pip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場合があります。そのため、CUDA 13対応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リリースでは、Python 3.12を含むLinux ARM64用wheelが提供されています。NVIDIA ARM64 Dockerイメージでは公式パッケージがインストールされます。ネイティブ環境にCUDA 13をインストールする場合は、次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上で最も高い推論性能を発揮するため、デプロイには最もおすすめの形式です。セットアップ手順と高度な使い方については、TensorRT専用の統合ガイドを参照してください。

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

# YOLO26n PyTorchモデルを読み込む
model = YOLO("yolo26n.pt")

# モデルをTensorRTにエクスポートする
model.export(format="engine")  # 'yolo26n.engine'を作成します

# エクスポートしたTensorRTモデルを読み込む
trt_model = YOLO("yolo26n.engine")

# 推論を実行
results = trt_model("https://ultralytics.com/images/bus.jpg")

NVIDIA DGX SparkでのYOLO11ベンチマーク#

Ultralyticsチームは、PyTorch、TorchScript、ONNX、OpenVINO、TensorRT、TF SavedModel、TF GraphDef、TF Lite、MNN、NCNN、ExecuTorchの各モデル形式について、速度と精度を測定するYOLO11ベンチマークを実施しました。ベンチマークはNVIDIA DGX Spark上でFP32精度、デフォルトの入力画像サイズ640で実施しました。

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でベンチマークした結果を示しており、各組み合わせのステータス、サイズ、mAP50-95(B)メトリクス、推論時間を掲載しています。

結果を再現する#

すべてのエクスポート形式で上記のUltralyticsベンチマークを再現するには、次のコードを実行してください。

from ultralytics import YOLO

# YOLO26n PyTorchモデルを読み込む
model = YOLO("yolo26n.pt")

# すべてのエクスポート形式でCOCO128データセットを使用してYOLO26nの速度と精度をベンチマークします
results = model.benchmark(data="coco128.yaml", imgsz=640)

NVIDIA DGX Sparkのベストプラクティス#

NVIDIA DGX SparkでYOLO26を実行して最高の性能を引き出すには、いくつかのベストプラクティスに従う必要があります。

1. システム性能を監視する

   NVIDIAの監視ツールを使って、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を搭載するDGX Sparkでは、大きなバッチサイズやモデルを扱えます。スループットの向上を目指して、バッチサイズの拡大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. TensorRTをFP16またはINT8で使用する

   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

システムアップデート（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のために重要です。NVIDIAは、システムOS、ドライバー、ファームウェアをアップデートする主な方法を2つ提供しています。

DGX Dashboardを使用する（推奨）#

互換性を確保してシステムをアップデートするには、DGX Dashboardの使用が推奨されます。次の操作ができます:

• 利用可能なシステムアップデートの確認
• セキュリティパッチとシステムアップデートのインストール
• NVIDIAドライバーとファームウェアのアップデート管理

システムを手動でアップデートする#

上級ユーザーは、ターミナルから手動でアップデートできます:

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

次のステップ#

詳しい情報やサポートについては、Ultralytics YOLO26ドキュメントをご覧ください。

よくある質問#