モデル API エンドポイントを使用する

ハードウェアのセットアップなしで、Roboflow のクラウド GPU 上で 5 分でモデルを実行します。

その Serverless Cloud API Roboflow のクラウド上の GPU でモデルとワークフローを実行します。画像を送信すると結果が返ってきます。セットアップするハードウェアも、稼働し続けるサーバーも必要ありません。

このガイドでは、ゼロから5分でモデルを実行できるようになります。画像内のオブジェクトは名前を付けるだけで見つけられ、既製のモデルで日常的な物体を検出し、自分のモデルも実行できます。すべて同じ Serverless Cloud API エンドポイントに対して行います。

名前を付けてオブジェクトを見つける

モデルに次のようないくつかの語を与えます 「taxi」, 「blue bus」、または 「bush」 とすると、画像内の一致するオブジェクトすべてを輪郭で示します。最初にセットアップや学習は不要です。これは SAM3.

APIキーを取得する

Roboflowアカウントを作成し、キーを次で見つけてください Roboflow API 設定ページそしてシェルから使えるようにします:

export ROBOFLOW_API_KEY="your-key-here"

依存関係をインストールする

supervision は次を取り込みます cv2 と numpy:

pip install -U supervision

モデルを実行する

次にPOSTリクエストを送信します /sam3/concept_segment モデルを実行するために。 sv.Detections.from_sam3 は、それらの結果を描画可能な形式に変換します supervision 描画できます:

import os
import base64
import cv2
import requests
import supervision as sv

image = sv.load_image_from_url("https://media.roboflow.com/quickstart/traffic.jpg")
image_b64 = base64.b64encode(content).decode("utf-8")
h, w = image.shape[:2]

response = requests.post(
    "https://serverless.roboflow.com/sam3/concept_segment",
    headers={"Authorization": f"Bearer {os.environ['ROBOFLOW_API_KEY']}"},
    json={
        "image": {"type": "base64", "value": image_b64},
        "prompts": [
            {"type": "text", "text": "taxi"},
            {"type": "text", "text": "blue bus"},
            {"type": "text", "text": "bush"},
        ],
    },
)

detections = sv.Detections.from_sam3(response.json(), (w, h))
annotated = sv.MaskAnnotator().annotate(image.copy(), detections)
cv2.imwrite("sam3.jpg", annotated)

APIキーを取得する

Roboflowアカウントを作成し、キーを次で見つけてください Roboflow API 設定ページそしてシェルから使えるようにします:

export ROBOFLOW_API_KEY="your-key-here"

依存関係をインストールする

この2つのパッケージはモデルを呼び出し、その結果を描画します:

pip install -U inference-sdk supervision

モデルを実行する

その Inference SDK 画像をクラウドに送信し、結果を返します。 sv.Detections.from_sam3 は、それらの結果を描画可能な形式に変換します supervision 描画できます:

import os
import cv2
import supervision as sv
from inference_sdk import InferenceHTTPClient, InferenceConfiguration

image = sv.load_image_from_url("https://media.roboflow.com/quickstart/traffic.jpg")
h, w = image.shape[:2]

client = InferenceHTTPClient(
    api_url="https://serverless.roboflow.com",
    api_key=os.environ["ROBOFLOW_API_KEY"],
).configure(InferenceConfiguration(api_key_transport="header"))

data = client.sam3_concept_segment(
    image,
    prompts=[
        {"type": "text", "text": "taxi"},
        {"type": "text", "text": "blue bus"},
        {"type": "text", "text": "bush"},
    ],
)

detections = sv.Detections.from_sam3(data, (w, h))
annotated = sv.MaskAnnotator().annotate(image.copy(), detections)
annotated = sv.BoxAnnotator().annotate(annotated, detections)
cv2.imwrite("sam3.jpg", annotated)

応答には、各プロンプトで見つかった輪郭が一覧表示され、それぞれに信頼度スコアが付きます。 sv.Detections.from_sam3 そのすべてを読み取ってくれます。

Outlines around taxis, a blue bus, and bushes from text prompts

視覚的プロンプト、例示ボックス、RLE出力を含む完全な SAM3 API については、 SAM3 ドキュメント.

既製のモデルで日常的なオブジェクトを検出する

名前を付けた対象を輪郭で示す代わりに、一般的なオブジェクトの周囲にボックスを描画するには、 POST /{project}/{version} を呼び出します。これは POST /sam3/concept_segmentの代わりにモデル ID を使う例です。この例では既製の RF-DETR モデルを使用しており、車両、人、ペットなどの一般的なオブジェクトを検出できます:

result = requests.post(
    "https://serverless.roboflow.com/coco/40",  # coco/40 は rfdetr-medium のエイリアスです
    data=image_b64,  # ボディに生の base64 を入れます。JSONではありません
    headers={
        "Authorization": f"Bearer {os.environ['ROBOFLOW_API_KEY']}",
        "Content-Type": "application/x-www-form-urlencoded",
    },
).json()
detections = sv.Detections.from_inference(result)

print(f"{len(detections)} 個のオブジェクトを検出しました")

annotated = sv.BoxAnnotator().annotate(image.copy(), detections)
annotated = sv.LabelAnnotator().annotate(annotated, detections)
cv2.imwrite("rf-detr.jpg", annotated)

名前を付けた対象を輪郭で示す代わりに、一般的なオブジェクトの周囲にボックスを描画するには、 client.infer() を呼び出します。これは client.sam3_concept_segment()の代わりにモデル ID を使う例です。この例では既製の RF-DETR モデルを使用しており、車両、人、ペットなどの一般的なオブジェクトを検出できます:

result = client.infer(image, model_id="rfdetr-medium")
detections = sv.Detections.from_inference(result)

print(f"{len(detections)} 個のオブジェクトを検出しました")

annotated = sv.BoxAnnotator().annotate(image.copy(), detections)
annotated = sv.LabelAnnotator().annotate(annotated, detections)
cv2.imwrite("rf-detr.jpg", annotated)

RF-DETR bounding boxes for cars, buses, people, and motorcycles

自分のモデル、または別のモデルを実行する

同じ client.infer() または POST /{project}/{version} の呼び出しで、任意のモデルをその model_id:

で実行できます。Roboflow で学習したモデル。モデル ID をコピーします（形式は {project}/{version}です）を、次の場所にあるあなたのプロジェクトから取得します Roboflow アプリ
次の公開モデル Roboflow Universe
の既製の学習済みモデルを、次のようなエイリアスで指定します rfdetr-nano, rfdetr-seg-medium、または yolo26l-640 （inference SDK のみ）

次に進むには

クラウドでモデルを実行しています。ここからできることは次のとおりです:

同じモデルを自分のハードウェアで実行します。参照モデルをローカルで実行する
大規模モデルや安定したトラフィック向けに、専用のシングルテナントエンドポイントを取得します Dedicated Deployments
モデルとロジックをつないでアプリケーションにします Workflows
各リクエストのコストを次で確認します Serverless の料金ページ

前へ動画上でモデルを実行する

次へエージェント

最終更新 18 日前

役に立ちましたか？