YOLOlite

YOLOlite モデルファミリーを Serverless Cloud API 経由で使用します

YOLOlite は、Roboflow による軽量な物体検出モデルファミリーで、低レイテンシのデプロイやエッジハードウェア向けに設計されています。YOLOlite は プロジェクト を Roboflow で学習し、当社の Serverless Cloud API.

セルフホスト型デプロイについては、 Roboflow Inference.

YOLOlite の入力サイズは、Roboflow での学習中に設定されます。

利用可能なバリエーション

YOLOlite には、標準セットとエッジ最適化セットの 2 つのスケーリングファミリーがあります。各ファミリーには 5 つのサイズがあります。

ファミリー	バリエーション
Standard	yololite-n, yololite-s, yololite-m, yololite-l, yololite-xl
エッジ	yololite-edge-n, yololite-edge-s, yololite-edge-m, yololite-edge-l, yololite-edge-xl

トレーニングをプロジェクトで開始するときにバリエーションを選択します。その後、学習済みモデルは Serverless Cloud API から提供され、そこで各モデルごとの {workspace}/{model-slug} IDに置き換えてください（ バージョン、トレーニング、およびモデル).

コード例

1

API キーを取得する

Roboflow アカウントを作成し、キーを次の場所で見つけてください。 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"

2

依存関係をインストールする

次をインストールします。 Inference SDK と supervision:

pip install -U inference-sdk supervision

3

モデルを実行する

この例では、ある公開 YOLOlite モデルを実行します。これは ネジのデータセット （screw、flat-washer、hex-nut）。独自の {workspace}/{model-slug} 学習済み重みを実行するためのものです。

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

image = sv.load_image_from_url("https://media.roboflow.com/docs/bolts.jpg")

client = InferenceHTTPClient(
    api_url="https://serverless.roboflow.com",
    api_key=os.environ["ROBOFLOW_API_KEY"],
)
results = client.infer(image, model_id="erik-pe6au/rf-bolts-4-yololite-s-t1")

detections = sv.Detections.from_inference(results)

annotated = sv.BoxAnnotator().annotate(image.copy(), detections)

cv2.imwrite("annotated.png", annotated)

設定してください api_url をデプロイ先に合わせてください：

• https://serverless.roboflow.com Serverless Cloud API 用です。

• http://localhost:9001 ローカルの Inference サーバー。

• あなたの 専用デプロイメント プライベートエンドポイント用の URL。