Raspberry Pi（レガシー）

Roboflow Train モデルを Raspberry Pi にデプロイします。

このページに以前掲載されていた情報は現在利用できません。Roboflowのデプロイメントに関するドキュメントは次でご覧いただけます：

• Deployment Overview

• Roboflow Inference Documentation at https://inference.roboflow.com

動画で学ぶのが好みですか？こちらをご覧ください： Raspberry Pi video guide.

Raspberry Piのデプロイメントオプションは、信頼できるインターネット接続がない状況でモデルを実行する必要がある場合に、デバイス上で直接モデルを実行します。

サポートされるタスク

ホストされたAPIで次のタスクタイプがサポートされています：

タスクタイプ	Supported by Hosted API
オブジェクト検出	✅
分類	✅
インスタンスセグメンテーション	✅
セマンティックセグメンテーション	✅

モデルをRaspberry Piにデプロイする

Raspberry Pi 4（またはRaspberry Pi 400）が必要です Ubuntuの64ビット版を実行していること互換性のあるシステムを実行していることを確認するには、次を入力します： arch Raspberry Piのコマンドラインに入力し、出力が次のとおりであることを確認してください： aarch64.

次に、Raspberry Piでターミナルを開き、Dockerをインストールします 便利スクリプトを使用して:

 curl -fsSL https://get.docker.com -o get-docker.sh
 sudo sh get-docker.sh

ステップ 1: Inference Server をインストールする

推論APIはRaspberry Pi向けに最適化および設定されたDockerコンテナとして提供されています。次のコマンドでInference Serverをインストールして実行できます：

sudo docker run -it --rm -p 9001:9001 roboflow/roboflow-inference-server-arm-cpu

これで、Piを Hosted Inference API の代替としてそのまま使用できます（複数のプログラミング言語でのコード例はそのドキュメントを参照してください）。

ステップ 2: Roboflow pip パッケージをインストールする

次に、次をインストールします： the Roboflow python package で pip install roboflow.

ステップ 3: 推論を実行する

モデルで推論を実行するには、以下のコードを実行し、APIキー、workspaceおよびprojectのID、プロジェクトバージョン、画像名を適宜置き換えてください。次を確認する方法を学べます： how to find your API key および、次を確認する方法 workspace and project ID.

from roboflow import Roboflow

rf = Roboflow(api_key="YOUR_PRIVATE_API_KEY")
project = rf.workspace("YOUR_WORKSPACE").project("YOUR_PROJECT")
model = project.version(VERSION_NUMBER, local="http://localhost:9001/").model

prediction = model.predict("YOUR_IMAGE.jpg", confidence=40, overlap=30)
## ホストされた画像で予測を取得する
#prediction = model.predict("YOUR_IMAGE.jpg", hosted=True)
print(prediction.json())

以下は、当社のモデルで推論を行った際の例の結果です：

推論結果：1枚の画像（Visual Studio Code ターミナル）

クライアント—サーバーの文脈で実行し、ネットワーク上の別のマシンからPiへ画像を送って推論することもできます。次を置き換えてください： localhost の中の local= パラメータをPiのローカルIPアドレスに置き換えます。

パフォーマンスの期待値

Raspberry Pi 400では約1.3フレーム/秒を観測しました。これらの結果はクライアント—サーバーの文脈で取得されたもので（したがって若干のネットワーク遅延が含まれます）、416x416モデルでの測定です。

で投稿することもできます。

• Raspberry Pi Video Tutorial