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、バッチ処理。

Workflow は 4 つの方法でデプロイできます:

画像を送信する Roboflow API Workflow を使って処理するために。
〜を作成する Roboflow Dedicated Deployment あなた専用に用意されたインフラ上で。
自分のハードウェア上で Workflow を実行するには Roboflow Inference.
使用するバッチ処理大量のデータを、コーディングコストを抑えながら効率的に処理するために。

どのオプションを使えばよいですか？

オプション

最適用途

HTTP API (Roboflow ホスト型、またはセルフホストの inference サーバー)

Workflows を独立したサービスとして使う場合、アプリケーションを Python 以外の言語で保ちたい場合、または計算負荷の高い処理を専用サーバーへオフロードする場合。

WebRTC ストリーミング

Serverless またはセルフホストの Inference Server 上の Workflow で、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、コードなしで画像、ディレクトリ、または動画ファイルを処理します。

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、あなたのために用意されたインフラで実行します。

inference 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、完全に制御しつつ HTTP を挟みません。詳細は Execution Engine.

Roboflow ホスト型 API で Workflow を実行する場合、考慮すべき制限が 2 つあります:

Workflow 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 Workflow や入力画像が大きい Workflow では失敗することがあります。

セルフホストおよび Dedicated Deployment にはこれらの制限はありません。

自分のハードウェアで Workflow を実行する場合、画像ファイルと動画ファイルの両方で実行できます（通常の Web カメラ および業務用の CCTV カメラ).

オンプレミス展開を選択すると、Inference を展開できるあらゆるシステムで Workflows を実行できます。これには以下が含まれます:

NVIDIA Jetson
AWS EC2、GCP Cloud Engine、および Azure Virtual Machines
Raspberry Pi

Roboflow Enterprise のお客様は、Basler カメラ上での推論実行など、追加の動画ストリームオプションにアクセスできます。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.

Workflowをデプロイする

Workflow 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てください。すべてのデプロイ方法はこのページに記載されています。

Workflows エディタ内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、エディタが動作しているランタイムに一致します。エディタをローカル Inference サーバーまたは Dedicated Deployment、 api_url 各スニペット内の URL はそのサーバーを指し、対応するタブは推奨として表示されます。保存済みの Workflow プレビューに例の画像がある場合、スニペットにはその画像も入力されます。

Workflows の使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 Inference サーバーを使用して、単一画像で Workflow 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お使いのマシンに Docker をインストールし、Inference サーバーを起動してください:

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

client = InferenceHTTPClient(
    api_url="https://serverless.roboflow.com",  # またはローカル展開用に "http://127.0.0.1:9001"
    api_key="API_KEY"
)

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

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

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 および 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 を搭載した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。

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

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

のキーは inputs オブジェクトのキーは Workflow によって決まるため、名前は定義した入力によって異なります。として宣言された入力は WorkflowImage オブジェクトを受け取ります。 type と 値 キーを持ちます。HTTP ではサポートされる type 値は次のとおりです url と base64.

上の例では、Roboflow プラットフォームに保存された Workflow を実行しています。リクエストに完全な Workflow 定義を含めて送ることもでき、API キーで制御されるブロックを使わない、ゼロから作成した Workflow に役立ちます。詳細は Inference SDK 〜については 仕様 引数。

動画ストリームを処理する

Inference SDK の WebRTC クライアントを使用して、Web カメラ、RTSP ストリーム、または動画ファイル上で Workflow 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 依存関係を含めて 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
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",
)

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()

変更する WebcamSource() 動画がローカルの Web カメラから取得されない場合は、別のソースに変更します。詳細は Workflows による動画処理 RTSP ストリーム、動画ファイル、および出力動画について。

データのバッチを処理する

Roboflow Batch Processing サービスを使用して、画像や動画ファイルのディレクトリなど、データのバッチ全体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、コーディングもローカル計算も不要です。データと Workflow を選ぶだけで、あとは Roboflow に任せられます。

Batch Processing とのやり取りは、UI、CLI、REST API のいずれ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.

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>

ジョブの進捗は次のコマンドで表示できます:

inference rf-cloud batch-processing show-job-details \
    --job-id <your-job-id>  # ジョブを作成すると job-id が表示されます

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、個々の画像、画像ディレクトリ、または動画ファイルに対して Workflow 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、入力ファイルごとに 1 つのサブディレクトリが作成され、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を含むファイル、および aggregated_results.csv すべての入力の結果を結合したファイルが入ります。

〜をご覧ください。 Inference CLI リファレンスすべてのオプションについて。

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: 〜をご覧ください。開発者ガイド.
Workflow が返す結果の形式を理解します: 〜をご覧ください。ワークフロー実行.

前へWorkflowsを管理次へWorkflowsによる動画処理

最終更新 12 日前

役に立ちましたか？