Workflowをデプロイ

Workflowをデプロイする4つの方法: Roboflow API、専用デプロイ、セルフホストInference、またはバッチ処理。

ワークフローをデプロイする方法は4つあります:

1. 画像を送信します。 Roboflow API で、ワークフローを使って処理します。

2. を作成します。 Roboflow 専用デプロイ を、あなた専用に用意されたインフラ上で利用します。

3. あなた自身のハードウェアでワークフローを実行します。 Roboflow Inference.

4. を使用します。 バッチ処理 を使って、コーディングコストを抑えながら大量のデータを効率的に処理します。

どの विकल्पを使うべきですか?

オプション	最適な用途
HTTP API (Roboflow ホスト型、またはセルフホストの 推論 サーバー)	Python 以外の言語でアプリケーションを動かしたい場合、あるいは計算負荷の高い処理を専用サーバーにオフロードしたい場合に、ワークフローをスタンドアロンのサービスとして使います。
WebRTC ストリーミング	Serverless またはセルフホストの Inference Server 上のワークフローを通じて、動画ファイル、Webカメラ、カメラストリームを処理します。
inference-cli	コマンドラインから、画像・ディレクトリ・動画ファイルをコードなしで処理します。
バッチ処理	保存済みの画像や動画に対する大規模な非同期ジョブを、あなた向けに用意されたインフラで実行します。
推論 Python パッケージ	Execution Engine を Python アプリケーション内で直接実行し、HTTP を介さずに完全に制御できます。 Execution Engine.

Roboflow のホスト型 API でワークフローを実行する場合、次の 2 つの制限に注意する必要があります:

• ワークフローの実行時間は 20 秒に制限されています。

• レスポンスのペイロードは 6 MB に制限されているため、可視化ブロックが多いワークフローや入力画像が大きいワークフローは失敗することがあります。

セルフホストおよび専用デプロイには、これらの制限はありません。

ワークフローを自分のハードウェアで実行する場合、画像と動画ファイルの両方で実行できます（通常の Webカメラ や業務用 CCTV カメラ).

オンプレミスデプロイを選択すると、Inference をデプロイできるあらゆるシステム上でワークフローを実行できます。これには次が含まれます:

• NVIDIA Jetson

• AWS EC2、GCP Cloud Engine、Azure Virtual Machines

• Raspberry Pi

Roboflow Enterprise のお客様は、Basler カメラで推論を実行するなど、追加の動画ストリームオプションをご利用いただけます。提供内容の詳細については、 Roboflow の営業チームにお問い合わせください.

ワークフローをデプロイする

ワークフローをデプロイするには、Workflows エディタの左上にある「Deploy」ボタンをクリックします。すべてのデプロイオプションはこのページに記載されています。

Workflows エディタのコードスニペットには、Workflows の URL と API キーがあらかじめ入力されます。

スニペットは、エディタが実行しているランタイムに一致します。エディタをローカルの Inference サーバーまたは 専用デプロイに切り替えると、 api_url は各スニペット内でそのサーバーを指し、対応するタブには推奨と表示されます。また、スニペットには保存済みの Workflow プレビューに画像がある場合、その画像の例も入力されます。

Workflows の利用制限の詳細については、 Roboflow の料金ページ.

画像を処理する

Roboflow API またはローカルの Inference サーバーを使って、単一画像でワークフローを実行できます。

まず、Roboflow Inference SDK をインストールします:

pip install inference-sdk inference-cli

ローカルで実行する場合は、 公式の Docker インストール手順 に従って、マシンに Docker をインストールし、Inference サーバーを起動します:

inference server start

次に、新しい Python ファイルを作成し、次のコードを追加します:

from inference_sdk import InferenceHTTPClient, InferenceConfiguration

client = InferenceHTTPClient(
    api_url="https://serverless.roboflow.com",  # またはローカルデプロイ用に "http://127.0.0.1:9001"
    api_key="API_KEY"
).configure(InferenceConfiguration(api_key_transport="header"))

result = client.run_workflow(
    workspace_name="workspace-name",
    workflow_id="workflow-id",
    images={
        "image": "YOUR_IMAGE.jpg"
    }
)

上記では、 API_KEY をあなたの Roboflow API キーに置き換えてください。 workspace-name と workflow-id をあなたの Roboflow ワークスペース名と Workflow ID に置き換えます。

これらの値を見つけるには、Roboflow Workflow を開いて「Deploy Workflow」をクリックします。次に、ページに表示されるコードスニペットからワークスペース名と workflow ID をコピーしてください。

ローカル実行は CPU と NVIDIA CUDA GPU デバイスで動作します。最高のパフォーマンスを得るには、NVIDIA Jetson や NVIDIA GPU 搭載のクラウドサーバーなど、GPU 対応デバイスにデプロイしてください。

エンドポイントをどの言語からでも直接呼び出したい場合は、HTTP リクエストを送信します:

curl --location 'https://serverless.roboflow.com/infer/workflows/<your-workspace-name>/<your-workflow-id>' \
    --header 'Content-Type: application/json' \
    --header 'Authorization: Bearer <YOUR-API-KEY>' \
    --data '{
    "inputs": {
        "image": {"type": "url", "value": "https://your-image-url"},
        "parameter": "some-value"
    }
}'

キーを ?api_key= クエリパラメータとして送信するか、 api_key ボディフィールドとして送る方法は旧方式です。まだ動作しますが、 Authorization: Bearer ヘッダーを使えば、キーが URL やログに残りません。 REST API で認証する.

この inputs オブジェクトのキーはワークフローによって決まるため、定義した入力内容に応じて名前が異なります。 WorkflowImage として宣言された入力は、 type と value キーを持つオブジェクトを受け取ります。HTTP 経由でサポートされる type 値は url と base64.

上記の例では、Roboflow プラットフォームに保存されたワークフローを実行しています。リクエストと一緒に完全なワークフロー定義を送ることもでき、API キーで保護されたブロックを使わずにゼロから作成したワークフローに便利です。 Inference SDK の 仕様 引数を参照してください。

動画ストリームを処理する

Inference SDK の WebRTC クライアントを使って、Webカメラ、RTSP ストリーム、または動画ファイル上でワークフローを実行します。同じコードは Serverless とセルフホストの Inference Server の両方で動作します。

WebRTC 依存関係込みで SDK をインストールします:

pip install "inference-sdk[webrtc]"

セルフホストの Inference Server を起動するか、 https://serverless.roboflow.com を使ってサーバーを起動せずに実行します。次に Python ファイルを作成します:

from inference_sdk import InferenceHTTPClient, InferenceConfiguration
from inference_sdk.webrtc import StreamConfig, WebcamSource

client = InferenceHTTPClient(
    api_url="https://serverless.roboflow.com",  # または "http://localhost:9001"
    api_key="API_KEY",
).configure(InferenceConfiguration(api_key_transport="header"))

session = client.webrtc.stream(
    source=WebcamSource(),
    workflow="workflow-id",
    workspace="workspace-name",
    config=StreamConfig(data_output=["predictions"]),
)

@session.on_data("predictions")
def handle_predictions(predictions, metadata):
    print(predictions)

session.run()

上記では、 API_KEY をあなたの Roboflow API キーに置き換えてください。 workspace-name と workflow-id をあなたの Roboflow ワークスペース名と Workflow ID に置き換えます。

これらの値を見つけるには、Roboflow Workflow を開いて「Deploy Workflow」をクリックします。次に、ページに表示されるコードスニペットからワークスペース名と workflow ID をコピーしてください。

変更します WebcamSource() を、動画がローカルの Web カメラ由来でない場合は別のソースに。 Workflows による動画処理 を参照してください。RTSP ストリーム、動画ファイル、出力動画について説明しています。

データのバッチを処理する

Roboflow のバッチ処理サービスを使えば、画像や動画ファイルのディレクトリといったデータ全体のバッチを効率的に処理できます。このフルマネージドなソリューションでは、コーディングやローカル計算は不要です。データとワークフローを選ぶだけで、あとは Roboflow に任せられます。

バッチ処理では UI、CLI、REST API のいずれの操作もサポートしています。以下では CLI コマンドを紹介します。 すべてのオプションを確認してください.

処理を実行するには、Inference CLI をインストールします:

pip install inference-cli

次に、データを取り込みます:

inference rf-cloud data-staging create-batch-of-images \
    --images-dir <your-images-dir-path> \
    --batch-id <your-batch-id>

データが読み込まれたら、処理ジョブを開始します:

inference rf-cloud batch-processing process-images-with-workflow \
    --workflow-id <workflow-id> \
    --batch-id <batch-id>

ジョブの進行状況は次のように表示できます:

inference rf-cloud batch-processing show-job-details \
    --job-id <your-job-id>  # job-id はジョブ作成時に表示されます

ジョブが完了したら、結果をエクスポートします:

inference rf-cloud data-staging export-batch \
    --target-dir <dir-to-export-result> \
    --batch-id <output-batch-of-a-job>

CLI でローカルディレクトリを処理する

すでに実行中のマシン上にあるデータについては、 inference-cli コードなしで、単一画像、画像ディレクトリ、または動画ファイルに対してワークフローを実行できます:

pip install inference-cli

inference workflows process-images-directory \
    -i {your_input_directory} \
    -o {your_output_directory} \
    --workspace_name {your-roboflow-workspace-url} \
    --workflow_id {your-workflow-id} \
    --api-key {your_roboflow_api_key}

出力ディレクトリには、入力ファイルごとのサブディレクトリが1つずつ作成され、それぞれに results.json そのファイルの Workflow 結果と実行中に生成された画像が含まれるファイル、および aggregated_results.csv すべての入力結果を連結したファイルが含まれます。

を参照してください。 Inference CLI リファレンス で、すべてのオプションを確認できます。

次のステップ

• Execution Engine を自分の Python アプリケーション内で直接実行します: 開発者ガイド.

• ワークフローが返す結果の形を理解します: ワークフローの実行.