> 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).

# デプロイオプションの選択

Roboflow のデプロイオプション - Serverless Cloud API、Dedicated Deployments、Batch Processing、Self-Hosted Inference、エッジデバイス - を比較し、ユースケースに最適なものを選びます。

Roboflow では、モデルを実行する方法がいくつかあり、 [ワークフロー](https://docs.roboflow.com/workflows)、完全管理型のクラウド API から自前のハードウェアでの推論までさまざまです。適切な選択は、ワークロードがリアルタイムか一括処理か、どの程度のレイテンシなら許容できるか、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、下の意思決定フローで絞り込んでください。

## 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 Cloud API</a></td><td><a href="/deployment/ja/roboflow-cloud/dedicated-deployments.md">専用デプロイ</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 Cloud（<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 Cloud。インフラはジョブごとに自動プロビジョニングされます</td></tr><tr><td>GPU</td><td>はい：GPU 加速と自動スケーリング</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>ジョブごとに選択される CPU または GPU</td></tr><tr><td>レイテンシ特性</td><td>リアルタイム、同期型。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、以降のリクエストは高速です。</td><td>一貫した専有性能。デプロイは一定期間アイドル状態が続くと自動一時停止します（ <code>dev-cpu</code> / <code>dev-gpu</code>では 1 時間で固定）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。リソースに空きがあるときにマシンがプロビジョニングされ、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>クレジットで画像ごとに従量課金され、料金はモデルごとに設定されます。参照 <a href="/deployment/ja/roboflow-cloud/serverless-api/model-pricing.md">モデル料金</a>.</td><td>時間単位の従量課金で、1 分単位で請求されます。GPU は 1 クレジット/時間、CPU は 0.25 クレジット/時間です。リクエストベースの課金は要望に応じて利用できます。</td><td>CPU と GPU で料金が異なり、GPU ジョブは高速ですが高価です。参照 <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">営業担当にお問い合わせください</a> ベース API について。 <a href="/deployment/ja/roboflow-cloud/serverless-api/serverless-video-streaming-api.md">Video Streaming API</a> は対応しています <code>us</code>, <code>eu</code>, <code>ap</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">営業担当にお問い合わせください</a>.</td></tr><tr><td>利用可能プラン</td><td><a href="https://roboflow.com/sales">営業担当にお問い合わせください</a>.</td><td>Core と Enterprise。参照 <a href="https://roboflow.com/pricing">料金</a>.</td><td>Growth と Enterprise。</td></tr><tr><td>最適な用途</td><td>デプロイ先デバイスが常時インターネット接続されている場合に、リアルタイムの単一画像または Workflow 推論をすばやく始め、必要に応じて自動でスケールしたいとき。</td><td>予測可能な本番ワークロード、リソース分離、そして GPU 加速が必要な大規模モデル（例：Florence-2、SAM2）。</td><td>Workflow を使って、保存済み画像や動画の大量処理を低コストで行う場合。</td></tr></tbody></table>

## セルフホスト

自分のハードウェアで推論を実行するため、データがネットワーク外に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/serufuhosuto/self-hosted.md">セルフホスト推論</a></td><td><a href="/deployment/ja/serufuhosuto/enterprise/deployment-manager.md">エッジ（Deployment Manager）</a></td></tr><tr><td>実行場所</td><td>自前のハードウェア：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 によりリモート管理されるエッジデバイス</td></tr><tr><td>GPU</td><td>CPU、CUDA GPU、または NVIDIA Jetson</td><td>デバイスによります（NVIDIA Jetson、NVIDIA GPU 搭載 x86、または Roboflow 提供のハードウェア）。</td></tr><tr><td>レイテンシ特性</td><td>ローカルで低レイテンシ、ネットワーク往復なし。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>ローカルのエッジで、リアルタイム対応。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>無料でオープンソースです。インフラは自分で用意し管理します。プライベートモデル向けの TensorRT 最適化パッケージには Enterprise が必要です。</td><td><a href="https://roboflow.com/sales">営業担当にお問い合わせください</a>.</td></tr><tr><td>リージョン</td><td>どこでも（自社インフラ）。</td><td>デバイスの設置場所。</td></tr><tr><td>利用可能プラン</td><td>全プラン（オープンソース）。TensorRT のプライベートモデル用パッケージと、複数デバイスで実行するためのライセンスには Enterprise が必要です。</td><td>Enterprise のみ。</td></tr><tr><td>最適な用途</td><td>環境とレイテンシを最大限に制御したい、オンプレ、エッジ、エアギャップ、または VPC 内完結のワークロード。</td><td>多数の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場合。</td></tr></tbody></table>

## 機能の一覧

|                                      | サーバーレス | 専用   | セルフホスト                                          |
| ------------------------------------ | ------ | ---- | ----------------------------------------------- |
| ファインチューニング済みおよび事前学習済みモデル             | はい     | はい   | はい                                              |
| ワークフロー                               | はい     | はい   | はい                                              |
| 大規模基盤モデル（SAM2、Florence-2、PaliGemma）  | いいえ    | はい   | はい                                              |
| クラウドホスト型 VLM（GPT、Claude、Gemini ブロック） | はい     | はい   | はい                                              |
| 動画ストリーミング                            | いいえ    | はい   | はい                                              |
| カスタム Python ブロックと追加依存関係              | いいえ    | はい   | はい                                              |
| オフラインで実行可能                           | いいえ    | いいえ  | はい                                              |
| 課金                                   | 呼び出しごと | 時間単位 | 無料＋ [従量課金](https://roboflow.com/pricing) クラウド機能 |

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ダウンし、負荷がかかると数秒のコールドスタートで再スケールアップします。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` デプロイは短時間のセッションに制限され、より優先度の高い作業で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-*` タイプは容量が保証されており、セッション制限はありません。

## 自分のクラウドを使用

コンプライアンス方針により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 アカウントで Inference を実行できます。 [自分のクラウドにデプロイ](/deployment/ja/serufuhosuto/inference-server/install/cloud.md)。課金はエッジデバイスでのセルフホストと同じで、マシン代はクラウドプロバイダに支払います。

## 判断フロー

1. **リアルタイムか一括処理か？** データ到着と同時に結果が必要な場合 - ライブ動画、対話型アプリ、リクエストごとの推論 - はリアルタイムの道を選んでください。保存済みの画像や動画の大きな未処理分を処理するなら、 [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。リクエストを送ると応答が返ってきます。Batch Processing は非同期で、ジョブを送信し、完了時に結果を受け取るため、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、管理する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、エッジ、またはエアギャップ内に留める必要があるなら、実行します [セルフホスト推論](/deployment/ja/serufuhosuto/self-hosted.md).
4. **管理型か自己管理型か？**
   * クラウドでは、次を選択してください。 [専用デプロイ](/deployment/ja/roboflow-cloud/dedicated-deployments.md) 予測可能な専有性能や固定の GPU 種別が必要な場合。そうでなければ [サーバーレス Cloud API](/deployment/ja/roboflow-cloud/serverless-api.md) が最もシンプルな既定です。
   * 自前のハードウェアでは、次を使用します。 [Deployment Manager](/deployment/ja/serufuhosuto/enterprise/deployment-manager.md) （Enterprise）Roboflow にエッジデバイス群の管理と監視を任せたい場合。そうでなければ [セルフホスト推論](/deployment/ja/serufuhosuto/self-hosted.md) サーバーを自分で管理してください。

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、再試行、レート制限、レプリカ数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ます。この表では、どのような場合に別のスタックの方が適しているか、またそれを選ぶことで何を諦めることになるかをまとめています。

### 推論サーバー

| ツール                    | 比較                                                                                                                             | こういう場合に選ぶ                                                |
| ---------------------- | ------------------------------------------------------------------------------------------------------------------------------ | -------------------------------------------------------- |
| **NVIDIA Triton**      | 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特化した、大規模展開向けの ML エキスパート向け強力ツールです。シンプルさと反復速度を犠牲にして生の速度を追求しており、モデルアンサンブルは Workflows よりも柔軟性が低いです。 | NVIDIA GPU 上での速度を最優先する、要件が明確に定まったプロジェクトに取り組む ML エキスパート。  |
| **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）ですが、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組み込みではありません。                        | 汎用 ML タスクに取り組んでおり、自作サーバーを一から作るよりも機能豊富な出発点がほしい場合。         |
| **TensorFlow Serving** | モダリティをまたいで TensorFlow に深く依存しているなら適しています。セットアップは複雑になりがちで、前処理・後処理のような必須機能がなく、しばしばカスタムコードが必要です。                                   | TensorFlow エコシステムを非常に重視しており、手間をかける意欲がある場合。               |
| **TorchServe**         | PyTorch 版で、ビジョン、NLP、表形式データ、音声にわたる PyTorch モデルの配信に最適化されています。大規模クラウド展開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させたりカスタマイズしたりしたいが、ビジョン特有の機能は必要ない場合。 |
| **FastAPI または Flask**  | 自前で構築する方法です。Inference の HTTP インターフェース自体が FastAPI 上にあるため、ゼロから始めると既に解決済みの問題を再発明することになります。                                        | 主な目的が、推論サーバー構築の複雑さを学ぶことです。                               |

### 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に特に強いです。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 と同じような多くの問題を対象にしています。学習曲線は急で、NVIDIA のツールに精通している必要があり、オープンソースではありません。 | スループットを最優先する単一プロジェクトの最適化に多大な労力を投じる覚悟のある専門家。   |