モデルAPIエンドポイントを使用する

セットアップするハードウェアなしで、Roboflow のクラウド GPU 上でモデルを 5 分で実行します。

その Serverless Cloud API Roboflow のクラウド上で GPU を使ってモデルとワークフローを実行します。画像を送ると結果が返ってきます。セットアップするハードウェアも、稼働させ続けるサーバーも必要ありません。

このガイドでは、何もない状態から 5 分でモデルを実行できるようになります。名前を付けるだけで画像内の物体を見つけ、既製モデルで日常的な物体を検出し、自分のモデルも実行できます。これらはすべて同じ Serverless Cloud API エンドポイントで行えます。

名前を付けて物体を見つける

モデルに次のような短い語を与えます "タクシー", "青いバス"、または "茂み" 、一致する物体を画像内でそれぞれ輪郭表示します。事前のセットアップや学習は不要です。これは SAM3.

API キーを取得する

Roboflow アカウントを作成し、次の場所でキーを見つけます Roboflow API 設定ページそして、シェルから使えるようにします:

export ROBOFLOW_API_KEY="your-key-here"

依存関係をインストールする

supervision を導入します cv2 と numpy:

pip install -U supervision

モデルを実行する

次へ POST リクエストを送信します /sam3/concept_segment してモデルを実行します。 sv.Detections.from_sam3 は、それらの結果を次のような形式に変換します supervision 描画できます:

import os
import base64
import cv2
import requests
import supervision as sv

image = sv.load_image_from_url("https://media.roboflow.com/quickstart/traffic.jpg")
image_b64 = base64.b64encode(content).decode("utf-8")
h, w = image.shape[:2]

response = requests.post(
    "https://serverless.roboflow.com/sam3/concept_segment",
    params={"api_key": os.environ["ROBOFLOW_API_KEY"]},
    json={
        "image": {"type": "base64", "value": image_b64},
        "prompts": [
            {"type": "text", "text": "タクシー"},
            {"type": "text", "text": "青いバス"},
            {"type": "text", "text": "茂み"},
        ],
    },
)

detections = sv.Detections.from_sam3(response.json(), (w, h))
annotated = sv.MaskAnnotator().annotate(image.copy(), detections)
cv2.imwrite("sam3.jpg", annotated)

API キーを取得する

Roboflow アカウントを作成し、次の場所でキーを見つけます Roboflow API 設定ページそして、シェルから使えるようにします:

export ROBOFLOW_API_KEY="your-key-here"

依存関係をインストールする

この 2 つのパッケージは、モデルを呼び出して結果を描画します:

pip install -U inference-sdk supervision

モデルを実行する

その Inference SDK 画像をクラウドに送り、結果を返します。 sv.Detections.from_sam3 は、それらの結果を次のような形式に変換します supervision 描画できます:

import os
import cv2
import supervision as sv
from inference_sdk import InferenceHTTPClient

image = sv.load_image_from_url("https://media.roboflow.com/quickstart/traffic.jpg")
h, w = image.shape[:2]

client = InferenceHTTPClient(
    api_url="https://serverless.roboflow.com",
    api_key=os.environ["ROBOFLOW_API_KEY"],
)

data = client.sam3_concept_segment(
    image,
    prompts=[
        {"type": "text", "text": "タクシー"},
        {"type": "text", "text": "青いバス"},
        {"type": "text", "text": "茂み"},
    ],
)

detections = sv.Detections.from_sam3(data, (w, h))
annotated = sv.MaskAnnotator().annotate(image.copy(), detections)
annotated = sv.BoxAnnotator().annotate(annotated, detections)
cv2.imwrite("sam3.jpg", annotated)

レスポンスには、各プロンプトごとに見つかった輪郭と、それぞれの信頼度スコアが一覧表示されます。 sv.Detections.from_sam3 そのすべてを自動で読み取ってくれます。

Outlines around taxis, a blue bus, and bushes from text prompts

視覚プロンプト、サンプルボックス、RLE 出力を含む完全な SAM3 API については、 SAM3 ドキュメント.

既製モデルで日常的な物体を検出する

名前付きの物体を輪郭で囲む代わりに、一般的な物体の周囲にバウンディングボックスを描画するには、次を呼び出します POST /{project}/{version} モデル ID を指定して、次の代わりに POST /sam3/concept_segment。この例では既製の RF-DETR モデルを使用します。これは、車両、人、ペットなどの一般的な物体を検出できます:

result = requests.post(
    "https://serverless.roboflow.com/coco/40",  # coco/40 は rfdetr-medium のエイリアスです
    params={"api_key": os.environ["ROBOFLOW_API_KEY"]},
    data=image_b64,  # 本文に生の base64 を入れます。JSON ではありません
    headers={"Content-Type": "application/x-www-form-urlencoded"},
).json()
detections = sv.Detections.from_inference(result)

print(f"オブジェクトが {len(detections)} 個見つかりました")

annotated = sv.BoxAnnotator().annotate(image.copy(), detections)
annotated = sv.LabelAnnotator().annotate(annotated, detections)
cv2.imwrite("rf-detr.jpg", annotated)

名前付きの物体を輪郭で囲む代わりに、一般的な物体の周囲にバウンディングボックスを描画するには、次を呼び出します client.infer() モデル ID を指定して、次の代わりに client.sam3_concept_segment()。この例では既製の RF-DETR モデルを使用します。これは、車両、人、ペットなどの一般的な物体を検出できます:

result = client.infer(image, model_id="rfdetr-medium")
detections = sv.Detections.from_inference(result)

print(f"オブジェクトが {len(detections)} 個見つかりました")

annotated = sv.BoxAnnotator().annotate(image.copy(), detections)
annotated = sv.LabelAnnotator().annotate(annotated, detections)
cv2.imwrite("rf-detr.jpg", annotated)

RF-DETR bounding boxes for cars, buses, people, and motorcycles

自分のモデルや別のモデルを実行する

その client.infer() または POST /{project}/{version} 呼び出しにより、任意のモデルをその model_id:

Roboflow で学習したモデル。モデル ID（形式は {project}/{version}）を、次の場所にあるプロジェクトからコピーします Roboflow アプリ
次の公開モデル Roboflow Universe
既製の事前学習済みモデルエイリアスで、たとえば rfdetr-nano, rfdetr-seg-medium、または yolo26l-640 （Inference SDK のみ）

次に進むには

クラウド上でモデルを実行しています。ここから次のことができます:

同じモデルを自分のハードウェアで実行する。参照: Run a Model Locally
大規模モデルと安定したトラフィック向けに、専用のシングルテナントエンドポイントを取得するには Dedicated Deployments
モデルとロジックをアプリケーションに連携させるには Workflows
各リクエストのコストを次の場所で把握します Serverless の料金ページ

前へ動画でモデルを実行する次へエージェント

最終更新 7 日前

役に立ちましたか？