> 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/gaido/developer-guide/profiling.md).

# Workflowプロファイリング

Chrome互換のプロファイリングトレースを使って、Workflowの実行時間を測定し、ボトルネックを特定します。

プロファイリングを有効にすると、ワークフローの実行時間を測定し、パフォーマンスのボトルネックを特定できます。プロファイリングトレースは、可視化に使用するChrome組み込みのトレースツールと互換性があります。

## ワークフローの例

このガイドのスクリーンショットでは、次のワークフローを例として使用します。このワークフローには、2回の物体検出、動的クロッピング、Google Geminiの呼び出し、複数の可視化ステップが含まれています。

<figure><img src="https://4077895066-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FoO0Ceoy9R0lHDZATcPyh%2Fuploads%2Fgit-blob-1d6acedcd335ef7c260cef8595ad06f80273b716%2Fworkflow-profiling-example.webp?alt=media" alt="Example workflow in the Roboflow editor"><figcaption><p>以下のプロファイリングのスクリーンショットで使用するワークフローの例</p></figcaption></figure>

## Inference SDKでプロファイリングする

HTTPクライアント経由でワークフローを実行する際にプロファイリングを有効にするには、まずセルフホストの [Inference Server](https://docs.roboflow.com/deployment/self-hosted/inference-server) を `ENABLE_WORKFLOWS_PROFILING=True` 環境変数を設定して実行する必要があります。その後、HTTPクライアント経由でワークフローを実行するときに、次を設定してプロファイリングを有効にできます。 `enable_profiling=True`:

```python
from inference_sdk import InferenceHTTPClient, InferenceConfiguration

client = InferenceHTTPClient(
    api_url="http://localhost:9001", # Serverless Cloud API does not support profiling
    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"},
    enable_profiling=True
)
```

プロファイリングを有効にすると、トレースファイルはデフォルトで `./inference_profiling/` に自動保存されます。各トレースファイルの名前は次のとおりです。 `workflow_execution_tack_{timestamp}.json`.

## プロファイリングトレースを表示する

プロファイリングトレースはChromeトレース形式で保存されます。可視化するには、次の手順に従います。

1. Chromeを開き、次のURLに移動します。 `chrome://tracing/`.
2. ［ **Load** ］をクリックし、トレースファイル（例： `workflow_execution_tack_2026_03_30_10_46_04.json`).
3. タイムラインビューで、各ワークフローステップの実行時間を確認します。

任意のスパンをクリックすると、その所要時間、カテゴリ、引数が表示されます。引数には、どのブロックの `step_execution` を見ているかなどが含まれます。

<figure><img src="https://4077895066-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FoO0Ceoy9R0lHDZATcPyh%2Fuploads%2Fgit-blob-137d29561237d184a31937396bde007609180006%2Fworkflow-profiling-trace.webp?alt=media" alt="Chrome tracing timeline with a selected step"><figcaption></figcaption></figure>

時間の大半は、2回の物体検出（process 57）とGeminiの呼び出し（process 78）に費やされました。ズームインすると、物体検出ステップの間に、検出オフセット、動的クロッピング、可視化など、ほかのステップがあることを確認できます。

<figure><img src="https://4077895066-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FoO0Ceoy9R0lHDZATcPyh%2Fuploads%2Fgit-blob-d9dfe6a02d28e5bcbb72fc4b796e793ed75bb454%2Fworkflow-profiling-trace-2.webp?alt=media" alt="Chrome tracing aggregated statistics view"><figcaption></figcaption></figure>

## 主な詳細

| 詳細         | 値                                                    |
| ---------- | ---------------------------------------------------- |
| **トレース形式** | JSON。Chromeの `chrome://tracing/` ツールと互換性があります        |
| **出力先**    | `./inference_profiling/` （デフォルト。変更可能）                |
| **ファイル名**  | `workflow_execution_tack_{YYYY_MM_DD_HH_MM_SS}.json` |

## 制限事項

* **コンパイルのオーバーヘッド**：ワークフローのコンパイルにより10～25ミリ秒のレイテンシが追加されます。GPU推論時間と同程度の小型・高速モデルでは、この影響が顕著です。このオーバーヘッドが発生するのは、動画処理の開始時に一度だけです。
* **実行エンジンのレイテンシ**：Workflows Execution Engine により、フレームごとに通常約1～2ミリ秒のレイテンシが追加されます。
* **動的ブロック**：動的ブロックを使用するセルフホスト型デプロイでは、pydantic モデルの再構築により、リクエストごとに100～140ミリ秒のレイテンシが追加される場合があります。ホステッドプラットフォームや、コンパイルが一度だけ行われる動画処理には該当しません。
* **モデルブロックが大半を占める**：通常、実行時間の約95%はモデル推論そのものに費やされます。これには、追加のデータ変換やメタデータ管理も含まれます。

## パフォーマンスに関するヒント

* ワークフロー定義は、デフォルトで15分間キャッシュされます。 `use_cache=False` run\_workflow() `を使用すると、メモリキャッシュまたは Redis キャッシュを迂回できます。接続エラー、タイムアウト、または API` に該当するファイルキャッシュ済みの定義は引き続き使用できます。 `5xx` レスポンス。
* 動画処理では、コンパイルのオーバーヘッドは開始時に一度だけ発生するため、無視できる程度です。
* ワークフローのプロファイリングを行い、ボトルネックがモデル推論、データ変換、ワークフローのオーケストレーションのどこにあるかを特定してください。
