> 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 ではモデルを実行する方法がいくつかあり、 [Workflows](https://docs.roboflow.com/workflows)、完全管理型クラウド API から自社ハードウェア上での推論まであります。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、許容できるレイテンシ、データをどこに置けるか、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。

表を使ってオプションをひと目で比較し、下の निर्णयフローに進んで絞り込みましょう。

## 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="/pages/8e7d6fea6dfb1853192d7e4aa09be4c8a39fd67c">Serverless Hosted API</a></td><td><a href="/pages/43fe3bc73b0e660a959fe09da9f4e2bd26e984d7">Dedicated Deployment</a></td><td><a href="/pages/77ade214a94f6b92f87f6a5d1dd41977be52cc24">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 管理の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ル</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>レイテンシの特性</td><td>リアルタイムの同期処理です。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>一定期間の非アクティブ後にデプロイは自動的に一時停止し（1 時間に固定されており <code>dev-cpu</code> / <code>dev-gpu</code>）、リクエストを送ると再開します。</td><td>非同期で、リアルタイム用途には不向きです。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>処理時間に基づき、推論ごとにクレジットで従量課金されます。参照 <a href="https://roboflow.com/credits">roboflow.com/credits</a> および <a href="/pages/c911a92e48fd9b0136128d1a80962d2d6d92fc6f">Serverless の料金</a>.</td><td>時間単位課金で、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。要望に応じてリクエスト単位の課金も利用できます。</td><td>CPU と GPU で料金が異なり、GPU ジョブのほうが高速ですが高価です。 <a href="https://roboflow.com/pricing">価格ページ</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ください</a> 基本 API については。 <a href="/pages/9eada754f05ebab5414b2ff26e8b0d20285cee30">Video Streaming API</a> は <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対応しています。</td><td><a href="https://roboflow.com/sales">営業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">営業にお問い合わせください</a>.</td><td>Core と Enterprise。詳しくは <a href="https://roboflow.com/pricing">価格</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に継続的なインターネット接続がある場合に、単一画像または Workflow 推論をすぐに始められ、自動でスケールします。</td><td>予測可能または本番環境のワークロード、リソース分離、GPU アクセラレーションを必要とする大規模モデル（例: Florence-2、SAM2）。</td><td>Workflow を使った、保存済みの大量の画像や動画のコスト効率の高い処理。</td></tr></tbody></table>

## セルフホスト

自前のハードウェア上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="/pages/38a82e950c94deae677dec1a6d56434c36681970">Self-Hosted Inference</a></td><td><a href="/pages/f6e73e09534c5a76cbc95f4f2275bd5bcb6865eb">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 によってリモート管理され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>レイテンシの特性</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>ローカルエッジのリアルタイム処理。リモート管理と監視のためにデバイスに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>無料かつオープンソース: インフラの提供と管理はあなたが行います。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（あなたのインフラ）。</td><td>デバイスの設置場所。</td></tr><tr><td>利用可能プラン</td><td>すべてのプラン（オープンソース）。TensorRT のプライベートモデルパッケージと、1 台を超える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>環境や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 内に閉じたワークロード。</td><td>大規模にエッジデバイス群をセットアップ、デプロイ、監視すること。</td></tr></tbody></table>

## 機能をひと目で

|                                      | サーバーレス | 専有   | 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                                                 |
| Workflows                            | はい     | はい   | はい                                                 |
| 大規模な基盤モデル（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                                                 |
| ビデオストリーミング                           | 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                                                 |
| オフラインで動作                             | いいえ    | いいえ  | はい                                                 |
| 課金                                   | 呼び出しごと | 時間単位 | 無料プラス [従量課金の](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 Hosted 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アップします。一方、Dedicated Deployment の起動には 1〜2 分かかります。Ephemeral `dev-cpu` および `dev-gpu` デプロイは短いセッションに限定され、より優先度の高い作業のために容量が必要な場合は退避させられることがあります。永続 `prod-*` タイプは容量が保証され、セッション制限はありません。

## 自前のクラウドを持ち込む

コンプライアンスポリシー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、あなた自身の AWS、Azure、または GCP アカウント上で Inference を実行できます: 参照 [自社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ティングと同じで、マシン代はクラウドプロバイダーに支払います。

## 判断フロー

1. **リアルタイムか一括処理か?** データが到着したときに結果が必要なら - ライブ動画、対話型アプリ、リクエストごとの推論 - リアルタイムの道を選びます。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処理です: 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、終了時に結果を回収するので、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か?** データをネットワーク外に出せて、管理するインフラをゼロにしたいなら、Roboflow がホストするクラウド विकल्पを使います。ワークロードをオンプレ、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、 [Self-Hosted Inference](/deployment/ja/serufuhosuto/self-hosted.md).
4. **管理型かセルフ管理か?**
   * クラウドでは、 [Dedicated Deployment](/deployment/ja/roboflow-cloud/dedicated-deployments.md) 予測可能な専有性能や固定の GPU 種別が必要なときに選びます。それ以外なら、 [Serverless Hosted API](/deployment/ja/roboflow-cloud/serverless-api.md) が最もシンプルなデフォルトです。
   * 自前のハードウェアでは、 [デプロイメント マネージャー](/deployment/ja/serufuhosuto/enterprise/deployment-manager.md) （Enterprise）を使うのは、Roboflow にエッジデバイス群の管理と監視を任せたい場合です。それ以外は [Self-Hosted Inference](/deployment/ja/serufuhosuto/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、 [本番運用準備チェックリスト](/deployment/ja/production-checklist.md) エラーハンドリング、再試行、レート制限、レプリカ数の設定については、

## Inference と他のデプロイスタック

Roboflow Inference は他のいくつかのツールと重なります。この表では、どの場合に別のスタックのほうが適しているか、またそれを選ぶことで何を手放すかを要約しています。

### 推論サーバー

| ツール                    | 比較                                                                                                                                  | こういう場合に選ぶ                                            |
| ---------------------- | ----------------------------------------------------------------------------------------------------------------------------------- | ---------------------------------------------------- |
| **NVIDIA Triton**      | 大規模にデプロイする ML の専門家向けの強力なツールで、NVIDIA ハードウェア上で極度に最適化されたパイプラインに焦点を当てています。シンプルさと反復速度を引き換えに、生の速度を得るもので、モデルアンサンブルは Workflows よりも柔軟性に欠けます。 | NVIDIA GPU 上の速度を何よりも重視する、厳密に定義されたプロジェクトに取り組む ML 専門家。 |
| **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、視覚）。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、ビデオ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。                            | 一般用途の ML タスクに取り組んでいて、自前でサーバーを作るよりも、機能豊富な出発点が欲しい場合。   |
| **TensorFlow Serving** | TensorFlow を多様なモダリティで深く使っているなら良い選択です。セットアップは複雑になりがちで、前処理・後処理のような最低限必要な機能がなく、そこにはしばしばカスタムコードが必要になります。                                | TensorFlow のエコシステムが非常に重要で、そのための手間を惜しまない。             |
| **TorchServe**         | PyTorch 版の相当物で、視覚、NLP、表形式データ、音声にまたがって PyTorch モデルを提供するよう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、ビデオストリーミングのような視覚特有の機能は少なめです。                | PyTorch モデルのデプロイをスケールし、カスタマイズしたいが、視覚特有の機能は必要ない。      |
| **FastAPI または Flask**  | 自前で作ること。Inference の HTTP インターフェース自体が FastAPI を基盤にしているので、ゼロから始めるのは既に解決されている問題を再発明するようなものです。                                          | 主な目的が、推論サーバーを構築する複雑さを学ぶこと。                           |

### 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や組み込みシステムに特化しており、マイコンとの相性が特に良いです。TinyML に注力しているため、動画処理や現代的な最先端モデルにはあまり向きませんし、Workflows に相当するものもありません。           | より強力なモデルを動かせない IoT 機器やウェアラブル機器を作っている。      |
| **NVIDIA DeepStream** | TensorRT と CUDA を使った高最適化の動画パイプライン向け NVIDIA プラットフォームで、Inference と同じような問題の多くを対象にしています。学習曲線は急で、NVIDIA ツール群への精通が必要で、オープンソースではありません。 | スループットを主目的とした単一プロジェクトの最適化に大きく投資する覚悟がある専門家。 |