> For the complete documentation index, see [llms.txt](https://docs.roboflow.com/llms.txt). Markdown versions of documentation pages are available by appending `.md` to page URLs; this page is available as [Markdown](https://docs.roboflow.com/workflows/ja/depuroi/deploy-a-workflow.md).

# Workflowをデプロイ

管理されたライブカメラには Cloud Streaming を、リクエストには Cloud API を、保存済みデータにはバッチ処理を、または独自のランタイムを選択します。

入力と処理を継続する時間に応じて、Workflow の実行方法を選択します。

<table data-search="false"><thead><tr><th>オプション</th><th>適した用途</th></tr></thead><tbody><tr><td><a href="https://docs.roboflow.com/deployment/roboflow-cloud/cloud-streaming">Cloud Streaming</a></td><td>マネージドクラウドコンピューティング上でのライブカメラ処理。ソースの設定、プレビュー、継続的なデプロイ、明示的な停止操作に対応しています。</td></tr><tr><td>HTTP API</td><td>ホスト型またはセルフホスト型エンドポイントへの個別の画像リクエスト。</td></tr><tr><td><a href="https://docs.roboflow.com/deployment/roboflow-cloud/dedicated-deployments">専用デプロイ</a></td><td>お客様専用にプロビジョニングされたプライベートクラウドランタイム。</td></tr><tr><td><a href="https://docs.roboflow.com/workflows/ja/depuroi/video-processing.md">セルフホスト型の動画処理</a></td><td>ご自身の Inference Server で処理するウェブカメラ、ネットワークカメラ、またはファイル。</td></tr><tr><td><a href="https://docs.roboflow.com/deployment/roboflow-cloud/batch-processing">バッチ処理</a></td><td>保存済みの画像や動画を対象とした、有限の非同期ジョブ。</td></tr><tr><td><a href="https://docs.roboflow.com/reference/inference/inference-cli/workflows">Inference CLI</a></td><td>コマンドラインからの画像、ディレクトリ、または動画ファイル。</td></tr><tr><td>Inference Python パッケージ</td><td>アプリケーション内で <a href="https://docs.roboflow.com/workflows/ja/gaido/developer-guide/execution-engine.md#running-the-execution-engine-in-python">Execution Engine</a> を使用するため、HTTP を介する必要はありません。</td></tr></tbody></table>

{% hint style="warning" %}
Serverless Cloud API でリクエストごとに Workflow を実行する場合、考慮すべき上限が2つあります。

* Workflow の実行時間は20秒までです。
* レスポンスのペイロードは6 MBまでです。そのため、可視化ブロックが多数ある Workflow や、大きな入力画像を使う Workflow は失敗することがあります。

これらのリクエスト制限は Cloud Streaming のジョブには適用されません。セルフホスト型デプロイと専用デプロイには、それぞれ独自のランタイム設定があります。
{% endhint %}

ご自身のハードウェアで Workflow を実行する場合、画像と動画ファイル（通常の **ウェブカメラ** や業務用の **CCTV カメラ**).

を含むストリーム）を処理できます。オンプレミスデプロイを選択すれば、Inference をデプロイできるあらゆるシステムで Workflow を実行できます。対象には次のものがあります。

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

{% hint style="info" %}
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](https://roboflow.com/sales).
{% endhint %}

### Workflow をデプロイする

Workflow エディターで「Deploy」をクリックし、デプロイ方法を選択します。接続済みのライブソースには「Cloud Streaming」を選ぶか、以下の該当する API またはセルフホストの手順に従ってください。

Workflow エディターのコードスニペットには、Workflow の URL と API キーがあらかじめ入力されています。

スニペットは、エディターで実行しているランタイムに対応しています。エディターをローカルの Inference サーバーまたは [専用デプロイ](https://docs.roboflow.com/deployment/roboflow-cloud/dedicated-deployments)に切り替えると、各スニペットの `api_url` はそのサーバーを指すようになり、対応するタブに「おすすめ」のマークが付きます。また、保存済みの Workflow プレビューがある場合は、そこから取得した画像がサンプルとしてスニペットに入力されます。

{% hint style="info" %}
Workflow の利用制限について詳しくは、 [Roboflow の料金ページ](https://roboflow.com/workflows).
{% endhint %}

#### 画像を処理する

Roboflow API またはローカルの Inference サーバーを使用して、Workflow で単一の画像を処理できます。

まず、Roboflow Inference SDK をインストールします。

```bash
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](https://docs.docker.com/get-docker/) 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、以下のコードを追加します。

```python
from inference_sdk import InferenceHTTPClient, InferenceConfiguration

client = InferenceHTTPClient(
    api_url="https://serverless.roboflow.com",  # or "http://127.0.0.1:9001" for local deployment
    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"
    }
)

```

上記の `API_KEY` を、ご自身の Roboflow API キーに置き換えます。 `workspace-name` と `workflow-id` を、ご自身の Roboflow ワークスペース名と Workflow ID に置き換えます。

これらの値を確認するには、Roboflow Workflow を開いて「Deploy Workflow」をクリックします。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ワークフロー ID をコピーしてください。

ローカルでの実行は、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 などの GPU 搭載デバイス、または NVIDIA GPU を搭載したクラウドサーバーにデプロイしてください。

任意の言語からエンドポイントを直接呼び出す場合は、HTTP リクエストを送信します。

```bash
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"
    }
}'
```

{% hint style="info" %}
キーを `?api_key=` クエリパラメーターまたは `api_key` ボディフィールドとして送信する方法は、従来の方式です。現在も使用できますが、 `Authorization: Bearer` ヘッダーを使えば、キーが URL やログに含まれるのを防げます。詳しくは、 [REST API での認証](https://docs.roboflow.com/reference/platform/rest-api/authenticate-with-the-rest-api).
{% endhint %}

の `inputs` オブジェクトのキーは Workflow によって決まるため、定義した入力に応じて名前が異なります。 `WorkflowImage` として宣言された入力には、 `type` と `value` のキーを持つオブジェクトを指定します。HTTP でサポートされる `type` 値は `url` と `base64`.

です。上記の例では、Roboflow プラットフォームに保存された Workflow を実行します。リクエストとともに Workflow 定義全体を送信することもできます。これは、API キーで保護されたブロックを使用しない、ゼロから構築した Workflow に便利です。詳しくは [Inference SDK](https://docs.roboflow.com/reference/inference/inference-sdk/workflows) の `specification` 引数。

#### 動画ストリームを処理する

マネージドのライブカメラには、 [Cloud Streaming](https://docs.roboflow.com/deployment/roboflow-cloud/cloud-streaming)を使用します。「Deploy」をクリックし、次に「Cloud Streaming」をクリックして、ソースを選択します。Workflow の入力と処理の見積もりを確認してから、処理を開始してください。カメラの接続、結果の確認、実行の明示的な停止については、 [クイックスタート](https://docs.roboflow.com/deployment/roboflow-cloud/cloud-streaming/quickstart) に従ってください。

エディターの「Run」アクションでは、デプロイの横でドラフトをプレビューできます。対象となるプレビューを昇格すると、公開や再起動を行わずに、実行中のスナップショットと無効化されたシンクがそのまま保持されます。継続実行に編集を適用する前に、 [Workflow のライフサイクル](https://docs.roboflow.com/deployment/roboflow-cloud/cloud-streaming/run-a-workflow) を参照してください。

独自の Inference Server で動画を処理する場合は、Inference SDK の WebRTC クライアントも引き続き利用できます。

```bash
pip install "inference-sdk[webrtc]"
```

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

client = InferenceHTTPClient(
    api_url="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()
```

まず、 [セルフホスト型 Inference Server](https://docs.roboflow.com/deployment/self-hosted/inference-server) を起動し、workspace、Workflow、API キーの値を置き換えてください。 [Workflows による動画処理](https://docs.roboflow.com/workflows/ja/depuroi/video-processing.md) では、その他のソースタイプと出力の処理方法を説明しています。この WebRTC クライアントは、Cloud Streaming のソースおよびジョブ API ではありません。

#### データのバッチ処理

Roboflow Batch Processing サービスを使用すると、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よく処理できます。このフルマネージドソリューションでは、コーディングもローカルでの計算も不要です。データと Workflow を選択するだけで、あとは Roboflow が処理します。

Batch Processing は、UI、CLI、REST API から利用できます。以下では CLI コマンドを紹介します。 [すべてのオプション](https://docs.roboflow.com/deployment/roboflow-cloud/batch-processing#cli).

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>
```

次のコマンドでジョブの進行状況を表示できます。

```
inference rf-cloud batch-processing show-job-details \
    --job-id <your-job-id>  # job-id will be displayed when you create a job
```

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

実行元のマシン上にすでにあるデータは、 `inference-cli` を使うと、コードを書かずに個々の画像、画像のディレクトリ、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。

```bash
pip install inference-cli
```

```bash
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ます。各サブディレクトリには、そのファイルのワークフロー実行結果が含まれる `results.json` ファイルと、実行中に生成された画像が格納されます。また、 `aggregated_results.csv` ファイルには、すべての入力の結果を連結したものが含まれます。

すべてのオプションについては、 [Inference CLI リファレンス](https://docs.roboflow.com/reference/inference/inference-cli/workflows) をご覧ください。

## 次のステップ

* Execution Engine を独自の Python アプリケーション内で直接実行する方法については、 [開発者ガイド](https://docs.roboflow.com/workflows/ja/gaido/developer-guide.md).
* ワークフローが返す結果の形式については、 [ワークフローの実行](https://docs.roboflow.com/workflows/ja/gaido/developer-guide/workflow-execution.md#output-construction).
