クイックスタートガイド: NVIDIA DGX Spark と Ultralytics YOLO26#

この包括的なガイドでは、NVIDIAのコンパクトなデスクトップAIスーパーコンピュータであるNVIDIA DGX SparkへのUltralytics YOLO26のデプロイについて、詳細な手順を解説します。さらに、この強力なシステムにおけるYOLO26の能力を示すパフォーマンス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です。FP4精度で最大1ペタFLOPS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で強力なAI機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とって理想的です。

主要仕様#

DGX OS#

NVIDIA DGX OSは、DGXシステム上でAI、機械学習、アナリティクスアプリケーションを実行するための、安定した、検証済みかつサポートされたオペレーティングシステムの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。これには以下が含まれます:

• 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
• 広範な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月と8月頃）アップデートが提供され、メジャーリリースの間にセキュリティパッチが追加提供されます。

DGX Dashboard#

DGX Sparkには、以下を提供する組み込みのDGX Dashboardが付属しています:

• リアルタイムシステム監視: システムの現在の運用メトリクスの概要
• 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する機能
• システム設定: デバイス名の変更やその他の構成
• 統合されたJupyterLab: 開発用ローカル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を使い始める最も速い方法は、ビルド済みDockerイメージを実行することです。Jetson AGX Thor (JetPack 7.0) をサポートする同じDockerイメージが、DGX OSを搭載したDGX Sparkでも動作します。

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では、NVIDIA Jetson guideに示すように、代わりに --runtime=nvidia を指定して同じイメージを起動してください。

これが完了したら、Use TensorRT on NVIDIA DGX Spark sectionに進んでください。

ネイティブインストールで開始する#

Dockerを使用しないネイティブインストールの場合は、以下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#

PyTorchモデルを他の異なるフォーマットにエクスポートできるように、オプショナル依存関係を指定してDGX SparkにUltralyticsパッケージをインストールします。DGX Sparkから最大のパフォーマンスを引き出すことができるように、主にNVIDIA TensorRT exportsに焦点を当てます。

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版にアップグレードする

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

2. オプショナル依存関係を指定して ultralytics pip パッケージをインストールする

   pip install ultralytics[export]

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たこれらのパッケージは、CUDA 13を搭載したDGX SparkのARM64アーキテクチャに対して完全に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#

PyPIでホストされているonnxruntime-gpuパッケージには、ARM64システム用の aarch64 バイナリがありません。そのため、このパッケージを手動でインストールする必要があります。このパッケージは一部のエクスポートに必要です。

ここでは、Python3.12 のサポート付きで onnxruntime-gpu 1.24.0 をダウンロードしてインストールします。

pip install https://github.com/ultralytics/assets/releases/download/v0.0.0/onnxruntime_gpu-1.24.0-cp312-cp312-linux_aarch64.whl

NVIDIA DGX Spark上で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フォーマットの中で、TensorRTはNVIDIA DGX Spark上で最高度の推論パフォーマンスを発揮するため、デプロイにおいて最もおすすめのフォーマットです。セットアップの手順や高度な使用方法については、dedicated TensorRT integration guideをご覧ください。

モデルをTensorRTに変換し、推論を実行する#

PyTorch形式のYOLO26nモデルをTensorRTに変換し、エクスポートされ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 YOLO11ベンチマーク#

YOLO11のベンチマークは、速度とaccuracyを測定するために、Ultralyticsチームによって複数のモデルフォーマット（PyTorch、TorchScript、ONNX、OpenVINO、TensorRT、TF SavedModel、TF GraphDef、TF Lite、MNN、NCNN、ExecuTorch）で実行されました。ベンチマークは、デフォルトの入力画像サイズ640を使用し、FP32のprecisionでNVIDIA DGX Spark上で実行されました。

詳細比較表#

以下の表は、5つの異なるモデル（YOLO11n、YOLO11s、YOLO11m、YOLO11l、YOLO11x）の複数のフォーマットにおけるベンチマーク結果を示しており、各組み合わせのステータス、サイズ、mAP50-95(B)メトリック、および推論時間を示しています。

結果の再現#

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を最大限のパフォーマンスで実行するために、いくつかのベストプラクティスに従うことを推奨します。

1. システムパフォーマンスの監視

   NVIDIAの監視ツールを使用して、GPUおよびCPUの使用率を追跡してください。

   nvidia-smi

2. メモリ使用量の最適化

   128GBのユニファイドメモリを搭載したDGX Sparkは、大規模なバッチサイズやモデルを処理できます。スループットを向上させるために、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. TensorRTとFP16またはINT8の使用

   最高のパフォーマンスを得るには、FP16またはINT8精度でモデルをエクスポートしてください。

   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を常に最新の状態に保つことは、パフォーマンスとセキュリティの観点から非常に重要です。NVIDIAは、システムOS、ドライバ、およびファームウェアを更新するための2つの主要な方法を提供しています。

DGX Dashboardの使用（推奨）#

DGX Dashboardは、互換性を確保しながらシステムアップデートを実行するために推奨される方法です。これにより、次のことが可能になります:

• 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およびシステムアップデートのインストール
• NVIDIAドライバおよびファームウェア更新の管理

手動によるシステムアップデート#

上級ユーザー向けに、ターミナル経由で手動でアップデートを実行することも可能です。

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

次のステップ#

詳細な学習と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 (FAQ)#

NVIDIA DGX SparkにUltralytics YOLO26をデプロイするにはどうすればよいですか？#

NVIDIA DGX SparkへのUltralytics YOLO26のデプロイは簡単です。素早いセットアップのために事前構築されたDockerイメージを使用するか、必要なパッケージを手動でインストールすることができます。各アプローチの詳細な手順については、Quick Start with DockerおよびStart with Native Installationのセクションをご覧ください。

DGX Spark上のYOLO26ではどのようなパフォーマンスが期待できますか？#

GB10 Grace Blackwellスーパーチップのおかげで、YOLO26モデルはDGX Spark上で優れたパフォーマンスを発揮します。TensorRTフォーマットは最高の推論パフォーマンスを提供します。異なるモデルサイズやフォーマットにわたる具体的なベンチマーク結果については、Detailed Comparison Tableセクションを確認してください。

DGX SparkでYOLO26にTensorRTを使用する理由は何ですか？#

最適なパフォーマンスを発揮するため、DGX Spark上でYOLO26モデルをデプロイする際にはTensorRTが強く推奨されます。Blackwell GPUの機能を活用して推論を高速化し、最大の効率性と速度を確保します。詳細については、Use TensorRT on NVIDIA DGX Sparkセクションをご覧ください。

YOLO26において、DGX SparkとJetsonデバイスはどのように異なりますか？#

DGX Sparkは最大1 PFLOPのAIパフォーマンスと128GBのユニファイドメモリを提供します。これに対し、Jetson AGX Thorは2070 TFLOPSと128GBのメモリを備えています。DGX Sparkはデスクトップ型のAIスーパーコンピュータとして設計されており、一方でJetsonデバイスはエッジデプロイメント向けに最適化された組み込みシステムです。

DGX SparkとJetson AGX Thorで同じDockerイメージを使用できますか？#

はい！ ultralytics/ultralytics:latest-nvidia-arm64 Dockerイメージは、どちらもARM64アーキテクチャとCUDA 13および同様のソフトウェアスタックを使用しているため、NVIDIA DGX Spark（DGX OS搭載）とJetson AGX Thor（JetPack 7.0搭載）の両方をサポートしています。