> For the complete documentation index, see [llms.txt](https://docs.roboflow.com/llms.txt). Markdown versions of documentation pages are available by appending `.md` to page URLs; this page is available as [Markdown](https://docs.roboflow.com/deployment/ja/choosing-a-deployment.md).

# デプロイメントオプションの選択

Roboflow のデプロイメントオプション - Serverless Cloud API、専用デプロイメント、バッチ処理、Self-Hosted Inference、エッジデバイス - を比較し、ユースケースに適したものを選びます。

Roboflowでは、モデルを実行するためのいくつかの方法と [ワークフロー](https://docs.roboflow.com/workflows)、完全管理型のクラウドAPIから自分のハードウェア上での推論まで用意されています。最適な選択は、ワークロードがリアルタイムかバルクか、どれだけの遅延を許容できるか、データをどこに置けるか、そしてどれだけのインフラを管理したいかによって決まります。

表を使って各 विकल्पをひと目で比較し、その後に下の意思決定フローに従って絞り込みましょう。

## Roboflow Cloud

Roboflowがインフラを運用します。データをAPIエンドポイントに送信すると、予測結果が返ってきます。

<table data-header-hidden data-search="false"><thead><tr><th></th><th></th><th></th><th></th></tr></thead><tbody><tr><td></td><td><a href="/deployment/ja/roboflow-cloud/serverless-api.md">サーバーレスクラウドAPI</a></td><td><a href="/deployment/ja/roboflow-cloud/dedicated-deployments.md">専用デプロイメント</a></td><td><a href="/deployment/ja/roboflow-cloud/batch-processing.md">バッチ処理</a></td></tr><tr><td>実行場所</td><td>Roboflowクラウド（<code>serverless.roboflow.com</code>)</td><td>Roboflowが管理するプライベートクラウドサーバー（<code>*.roboflow.cloud</code>)</td><td>Roboflowクラウド。ジョブごとにインフラが自動プロビジョニングされます</td></tr><tr><td>GPU</td><td>はい：GPUアクセラレーション対応で自動スケーリング</td><td>CPU（<code>dev-cpu</code> / <code>prod-cpu</code>）またはGPU（<code>dev-gpu</code> / <code>prod-gpu</code>)</td><td>CPUまたはGPU。ジョブごとに選択</td></tr><tr><td>レイテンシープロファイル</td><td>リアルタイム、同期型です。まだ読み込まれていないモデルへの最初のリクエストでは数秒のウォームアップが発生しますが、その後はモデルがキャッシュされている間は高速です。</td><td>一貫した専用性能。デプロイメントは非アクティブ状態が続くと自動停止します（ <code>dev-cpu</code> / <code>dev-gpu</code>では1時間に固定）し、リクエストを送ると再開します。</td><td>非同期で、リアルタイムには不向きです。リソースが利用可能になったときにマシンが割り当てられ、通常は数分後ですが、正確な開始時刻は保証されません。</td></tr><tr><td>料金</td><td>画像ごとに、モデルが設定したレートでクレジットを消費します。参照先： <a href="/deployment/ja/roboflow-cloud/serverless-api/model-pricing.md">モデル料金</a>.</td><td>時間単位課金。1分単位で請求されます：GPUは1クレジット/時、CPUは0.25クレジット/時。リクエストベース課金は要望に応じて利用可能です。</td><td>CPUとGPUでレートが異なります。GPUジョブのほうが高速ですが、より高価です。こちらをご覧ください： <a href="https://roboflow.com/pricing">料金ページ</a>.</td></tr><tr><td>リージョン</td><td><a href="https://roboflow.com/sales">営業にお問い合わせ</a> ベースAPIについては。 <a href="/deployment/ja/roboflow-cloud/serverless-api/serverless-video-streaming-api.md">Video Streaming API</a> は次をサポートします： <code>米国</code>, <code>欧州</code>, <code>アジア太平洋</code>.</td><td>米国ベースのデータセンターのみ。</td><td><a href="https://roboflow.com/sales">営業にお問い合わせ</a>.</td></tr><tr><td>利用可能なプラン</td><td><a href="https://roboflow.com/sales">営業にお問い合わせ</a>.</td><td>CoreおよびEnterprise。参照： <a href="https://roboflow.com/pricing">料金</a>.</td><td>Roboflowのクレジット制ワークスペース、またはEnterpriseプラン。</td></tr><tr><td>こんな用途に最適</td><td>デプロイ先のデバイスが常時インターネットに接続されている場合に、リアルタイムの単一画像推論またはWorkflow推論をすばやく始め、必要に応じて自動スケールしたいとき。</td><td>予測可能または本番用途のワークロード、リソース分離、そしてGPUアクセラレーションが必要な大規模モデル（例：Florence-2、SAM2）。</td><td>Workflowを使って保存済みの画像や動画の大量処理をコスト効率よく行う場合。</td></tr></tbody></table>

## セルフホスト

推論を自分のハードウェアで実行するため、データがネットワーク外へ出る必要はありません。

<table data-header-hidden data-search="false"><thead><tr><th></th><th></th><th></th></tr></thead><tbody><tr><td></td><td><a href="/deployment/ja/self-hosted/self-hosted.md">セルフホスト推論</a></td><td><a href="/deployment/ja/self-hosted/enterprise/deployment-manager.md">エッジ（Deployment Manager）</a></td></tr><tr><td>実行場所</td><td>自分のハードウェア：エッジデバイス、オンプレミスサーバー、または自分のクラウド（Dockerまたは <code>pip</code>)</td><td>Roboflowがリモート管理するあなたのエッジデバイス</td></tr><tr><td>GPU</td><td>CPU、CUDA GPU、またはNVIDIA Jetson</td><td>デバイスによって異なります（NVIDIA Jetson、NVIDIA GPU搭載x86、またはRoboflow提供ハードウェア）</td></tr><tr><td>レイテンシープロファイル</td><td>ネットワーク往復が不要なローカルの低レイテンシー。十分なハードウェアがあればリアルタイム対応可能です。</td><td>ローカルエッジでリアルタイム。リモート管理と監視のためにデバイスは継続的なインターネット接続が必要です。</td></tr><tr><td>料金</td><td>無料：自分のハードウェアで実行する画像や動画はクレジットを消費しません。料金はマシン代のみです。プライベートモデル向けTensorRTパッケージにはEnterpriseが必要です。</td><td><a href="https://roboflow.com/sales">営業にお問い合わせ</a>.</td></tr><tr><td>リージョン</td><td>どこでも（自分のインフラ）。</td><td>デバイスの設置場所。</td></tr><tr><td>利用可能なプラン</td><td>すべてのプラン。AGPL-3.0のYOLOモデルおよびPML 1.0のRF-DETRモデル（XLおよび2XL）をセルフホストするための商用ライセンスはEnterpriseのアドオンです。Apache 2.0のRF-DETRモデルには追加ライセンスは不要です。参照： <a href="https://docs.roboflow.com/models/model-licenses">モデルライセンス</a>。プライベートモデル向けTensorRTパッケージにはEnterpriseが必要です。</td><td>Enterpriseのみ。</td></tr><tr><td>こんな用途に最適</td><td>オンプレミス、エッジ、エアギャップ、またはVPCに縛られたワークロードで、環境とレイテンシーを最大限に制御したい場合。</td><td>エッジデバイス群のセットアップ、デプロイ、監視を大規模に行うこと。</td></tr></tbody></table>

## 機能一覧

<table data-search="false"><thead><tr><th></th><th>サーバーレス</th><th>専用</th><th>セルフホスト</th></tr></thead><tbody><tr><td>ファインチューニング済みおよび事前学習済みモデル</td><td>はい</td><td>はい</td><td>はい</td></tr><tr><td>ワークフロー</td><td>はい</td><td>はい</td><td>はい</td></tr><tr><td>大型基盤モデル（SAM2、Florence-2、PaliGemma）</td><td>いいえ</td><td>はい</td><td>はい</td></tr><tr><td>クラウドホスト型VLM（GPT、Claude、Geminiブロック）</td><td>はい</td><td>はい</td><td>はい</td></tr><tr><td>動画ストリーミング</td><td>いいえ</td><td>はい</td><td>はい</td></tr><tr><td>カスタムPythonブロックと追加依存関係</td><td>いいえ</td><td>はい</td><td>はい</td></tr><tr><td>オフラインで動作</td><td>いいえ</td><td>いいえ</td><td>はい</td></tr><tr><td>課金</td><td>画像ごと、モデルごと。参照： <a href="/deployment/ja/roboflow-cloud/serverless-api/model-pricing.md">モデル料金</a>.</td><td>時間単位</td><td>無料。推論はクレジットを消費しません。</td></tr></tbody></table>

スケールアップの挙動も異なります。Serverless Cloud APIはアイドル時にゼロまでスケールし、負荷がかかると数秒のコールドスタートで再びスケールします。一方、Dedicated Deploymentは起動に1〜2分かかります。エフェメラル `dev-cpu` および `dev-gpu` デプロイメントは短いセッションに制限され、より優先度の高い作業のために容量が必要になると追い出される場合があります。永続的な `prod-*` タイプには保証された容量があり、セッション制限はありません。

## 自分のクラウドを持ち込む

コンプライアンス上の要件でワークロードを自社インフラ内に留める必要がある場合は、自分のAWS、Azure、またはGCPアカウント上でInferenceを実行できます。参照： [自分のクラウドにデプロイ](/deployment/ja/self-hosted/inference-server/install/cloud.md)。Inferenceはクレジットを消費せず、マシン代はクラウドプロバイダーに支払います。

## 意思決定フロー

1. **リアルタイムかバルクか？** データが到着した時点で結果が必要なら——ライブ動画、対話型アプリ、リクエストごとの推論——リアルタイムの経路を選んでください。保存済みの画像や動画の大量のバックログを処理するなら、 [バッチ処理](/deployment/ja/roboflow-cloud/batch-processing.md).
2. **同期か非同期か？** リアルタイム推論は同期型です。リクエストを送り、レスポンスを受け取ります。バッチ処理は非同期です。ジョブを送信し、完了時に結果を収集するため、正確な開始時刻には依存しないでください。
3. **クラウドかオンプレミスか？** データがネットワーク外に出てもよく、管理すべきインフラをゼロにしたいなら、Roboflowホストのクラウドオプションを使ってください。ワークロードをオンプレミス、エッジ、またはエアギャップ環境に留める必要があるなら、 [セルフホスト推論](/deployment/ja/self-hosted/self-hosted.md).
4. **管理付きか自主管理か？**
   * クラウドでは、次を選びます [専用デプロイメント](/deployment/ja/roboflow-cloud/dedicated-deployments.md) 予測可能な専用性能やGPUタイプの固定が必要な場合。それ以外では [サーバーレスクラウドAPI](/deployment/ja/roboflow-cloud/serverless-api.md) が最もシンプルなデフォルトです。
   * 自分のハードウェア上では、 [Deployment Manager](/deployment/ja/self-hosted/enterprise/deployment-manager.md) （Enterprise）を使うと、Roboflowにエッジデバイス群の管理と監視を任せられます。それ以外は、 [セルフホスト推論](/deployment/ja/self-hosted/self-hosted.md) サーバーを自分で管理します。

オプションを選んだら、 [本番対応チェックリスト](/deployment/ja/production-checklist.md) を参照して、エラーハンドリング、リトライ、レート制限、レプリカ数の設定を確認してください。

## Inferenceと他のデプロイスタックの比較

Roboflow Inferenceは他のいくつかのツールと重なり合います。この表では、別のスタックのほうが適している場合と、それを選ぶことで何を手放すことになるかを要約しています。

### Inferenceサーバー

| ツール                    | 比較                                                                                                                                 | こういう場合に選ぶ                                                 |
| ---------------------- | ---------------------------------------------------------------------------------------------------------------------------------- | --------------------------------------------------------- |
| **NVIDIA Triton**      | 大規模デプロイを行うMLエキスパート向けの強力なツールで、NVIDIAハードウェア上で極限まで最適化されたパイプラインに重点を置いています。シンプルさと反復速度を犠牲にして生の速度を得る設計であり、モデルアンサンブルはWorkflowsよりも柔軟性が低いです。 | NVIDIA GPU上での速度を何より重視する、明確に定義されたプロジェクトに取り組むMLエキスパートである場合。 |
| **Lightning LitServe** | 軽量でカスタマイズ可能、かつタスク非依存（NLP、音声、表形式データ、ビジョン）です。そのため、コンピュータビジョン向けの機能はそれほど豊富ではなく、動画ストリーミングやモデル連結の抽象化も標準ではありません。                          | 汎用MLタスクに取り組んでいて、自前でサーバーを構築するよりも、機能が揃った出発点がほしい場合。          |
| **TensorFlow Serving** | マルチモーダル全般でTensorFlowに深く投資しているなら適しています。セットアップは複雑になり得て、前処理・後処理のような基本機能が不足しており、そこにはしばしばカスタムコードが必要です。                                  | TensorFlowのエコシステムを非常に重視していて、手間をかける意思がある場合。                |
| **TorchServe**         | PyTorch版に相当し、ビジョン、NLP、表形式データ、音声にわたってPyTorchモデルを提供するのに最適化されています。大規模クラウドデプロイ向けに設計されており、動画ストリーミングのようなビジョン特化機能は少なめです。                  | PyTorchモデルのデプロイをスケールしつつカスタマイズしたいが、ビジョン特化の機能は不要な場合。        |
| **FastAPIまたはFlask**    | 自前で作る方法です。InferenceのHTTPインターフェース自体がFastAPI上に構築されているため、ゼロから始めるということは、すでに解決済みの問題を再発明することを意味します。                                      | 主な目的が、推論サーバー構築の細部を学ぶことなら。                                 |

### エッジデプロイ

| ツール                   | 比較                                                                                                                           | こういう場合に選ぶ                                        |
| --------------------- | ---------------------------------------------------------------------------------------------------------------------------- | ------------------------------------------------ |
| **Edge Impulse**      | 非常に低消費電力のエッジデバイスと組み込みシステムに特化しており、マイクロコントローラーとの相性が特に優れています。TinyMLに注力しているため、動画処理や最新の最先端モデルにはあまり向いておらず、Workflowsに相当するものもありません。  | より高性能なモデルを実行できないIoTデバイスやウェアラブルデバイスを作っている場合。      |
| **NVIDIA DeepStream** | TensorRTとCUDAを使った高度に最適化された動画パイプライン向けのNVIDIAのプラットフォームで、Inferenceと多くの同じ課題を対象にしています。学習曲線は急で、NVIDIAツール群の知識が必要であり、オープンソースではありません。 | スループットを最優先にした単一プロジェクトの最適化に大きく投資する意思があるエキスパートの場合。 |