roboflow活用事例
Dockerを使用してコンピュータービジョンモデルをRaspberryPiにデプロイする
このチュートリアルを進めるには、Raspberry Pi 4 または400が必要です。64ビットのUbuntuオペレーティング システムを実行する必要があります。
Roboflow は、パフォーマンスが最適化されたDockerコンテナーを使用して、カスタムコンピュータービジョンモデルを Raspberry Piデバイスにデプロイすることをサポートしています。RaspberryPiは、価格、サイズ、消費電力、オフライン機能などから、エッジデバイスとしてよく使用されます。これらすべての利点を念頭に置いて、このガイドでは、カスタムコンピュータービジョンモデルをRaspberryPiにデプロイする方法を示します。
この展開方法は、 Roboflow Deployで利用可能なモデルの重みを持つモデルに対してのみ機能します。
Roboflow は、パフォーマンスが最適化されたDockerコンテナーを使用して、カスタムコンピュータービジョンモデルを Raspberry Piデバイスにデプロイすることをサポートしています。RaspberryPiは、価格、サイズ、消費電力、オフライン機能などから、エッジデバイスとしてよく使用されます。これらすべての利点を念頭に置いて、このガイドでは、カスタムコンピュータービジョンモデルをRaspberryPiにデプロイする方法を示します。
この展開方法は、 Roboflow Deployで利用可能なモデルの重みを持つモデルに対してのみ機能します。
データを収集してモデルをトレーニングする
開始するには、Roboflow アカウントを作成してから、ワークスペースとプロジェクトを作成します。プロジェクトにデータを追加するには、次のいずれかまたはすべてを実行できます。
この例では、 Roboflow Universeの「建設」データセットページで見つけた建設現場の安全データセットと事前トレーニング済みのモデルを利用します。互換性のあるデータセット バージョンには緑色のチェックマークが付き、トレーニングで使用されるモデルタイプを示します。
- 注釈付きデータセットをインポートする
- Roboflow Universe からプロジェクトを複製する
- 独自のデータセットにラベルを付ける
この例では、 Roboflow Universeの「建設」データセットページで見つけた建設現場の安全データセットと事前トレーニング済みのモデルを利用します。互換性のあるデータセット バージョンには緑色のチェックマークが付き、トレーニングで使用されるモデルタイプを示します。
Docker をインストールする
Raspberry Pi に Docker をインストールするには、まず互換性のあるシステムがあることを確認してから、前提条件をインストールする必要があります。
64 ビット バージョンの Ubuntu を実行するRaspberry Pi 4 (または Raspberry Pi 400) が必要です。互換性のあるシステムを実行していることを確認するには、archRaspberry Pi のコマンドラインに入力し、出力されることを確認しますaarch64。
Raspberry Pi 用の64ビットUbuntuOSをまだインストールしていない場合は、Raspberry Pi Imagerを使用してSDカードまたはブートドライブにセットアップする方法を次に示します。
64 ビット バージョンの Ubuntu を実行するRaspberry Pi 4 (または Raspberry Pi 400) が必要です。互換性のあるシステムを実行していることを確認するには、archRaspberry Pi のコマンドラインに入力し、出力されることを確認しますaarch64。
Raspberry Pi 用の64ビットUbuntuOSをまだインストールしていない場合は、Raspberry Pi Imagerを使用してSDカードまたはブートドライブにセットアップする方法を次に示します。
Raspberry Pi
- Raspberry Pi イメージャーをダウンロード
- システムに Raspberry Pi Imager をインストールする
- SD カードまたはブート ドライブが、コンピューターまたはラップトップの適切なリムーバブル ストレージの場所に追加されていることを確認します。
- Raspberry Pi Imager を起動する
- Choose OS-->をクリックしRaspberry Pi OS (Other)、最後に選択しますRaspberry Pi OS (64-Bit)
- Choose Storage適切なストレージデバイスをクリックして選択します
- クリックWrite
- コンピューターまたはラップトップのリムーバブル ストレージの場所から SD カードまたはブート ドライブを取り外します。
次に、こちらの手順に従って、 Raspberry Pi 4 (または Raspberry Pi 400) で Raspberry Pi OS (64 ビット) のセットアップを完了します。
インストール プロセス - オプション 1 (推奨): これは、DockerをRaspberry Piにインストールする最速の方法です。
次に、 Dockerの便利なスクリプトを使用してRaspberry PiにDockerをインストールします。
インストール プロセス - オプション 1 (推奨): これは、DockerをRaspberry Piにインストールする最速の方法です。
次に、 Dockerの便利なスクリプトを使用してRaspberry PiにDockerをインストールします。
curl -fsSL https://get.docker.com -o get-docker.sh
sudo sh get-docker.sh
Docker をインストールする
インストール プロセス - オプション 2:
この方法は、より長いプロセスです。
コマンドを実行してこれを行いますsudo apt-get install apt-transport-https ca-certificates software-properties-common -y。
ここで、GPG key公式の Docker リポジトリをダウンロードしてシステムに追加します。コマンドでこれを行うことができますcurl -fsSL https://download.docker.com/linux/raspbian/gpg | sudo apt-key add -。
次に、Docker リポジトリを Raspberry Pi のソース リストに追加します。コマンドでこれを行うことができますecho "deb [arch=armhf] https://download.docker.com/linux/raspbian stretch stable" | sudo tee /etc/apt/sources.list.d/docker.list。
最後に、パッケージ データベースを更新し、Docker をインストールします。これを行うには、コマンドsudo apt-get updateとを実行しますsudo apt-get install docker-ce。インストールが完了したら、Raspberry Pi で Docker の使用を開始できます。
コマンドを実行してこれを行いますsudo apt-get install apt-transport-https ca-certificates software-properties-common -y。
ここで、GPG key公式の Docker リポジトリをダウンロードしてシステムに追加します。コマンドでこれを行うことができますcurl -fsSL https://download.docker.com/linux/raspbian/gpg | sudo apt-key add -。
次に、Docker リポジトリを Raspberry Pi のソース リストに追加します。コマンドでこれを行うことができますecho "deb [arch=armhf] https://download.docker.com/linux/raspbian stretch stable" | sudo tee /etc/apt/sources.list.d/docker.list。
最後に、パッケージ データベースを更新し、Docker をインストールします。これを行うには、コマンドsudo apt-get updateとを実行しますsudo apt-get install docker-ce。インストールが完了したら、Raspberry Pi で Docker の使用を開始できます。
Roboflow 推論サーバーをインストールする
推論 API サーバーは、Raspberry Pi 用に最適化および構成された Docker コンテナーとして利用できます。Inference API サーバーをインストールするには、コンテナーをプルします。
sudo docker pull roboflow/inference-server:cpu
このコマンドは、Raspberry Pi の CPU を自動的に検出し、デバイスの正しいデプロイ コンテナーをプルダウンします。
Roboflow 推論サーバーの実行
sudo docker run --net=host roboflow/inference-server:cpu
推論サーバーのインストール: 成功
Raspberry Pi で予測を行うことができるようになりました。Hosted Inference API のドキュメントには、開発を加速するためにいくつかの言語で作成されたコード スニペットが含まれています。
モデルへの最初の推論呼び出しでは、モデルの重みをダウンロードして初期化するのに数秒かかります。最初の推論呼び出しが正常に行われると、 その後の予測はより速く処理されます。
モデルへの最初の推論呼び出しでは、モデルの重みをダウンロードして初期化するのに数秒かかります。最初の推論呼び出しが正常に行われると、 その後の予測はより速く処理されます。
Python SDKの使用
前述のように、Hosted Inference API を使用してモデル予測を受け取るオプションがあります。
別の利用可能なオプションは、Roboflow Python SDKを使用することです。
Roboflow python パッケージをインストールするには、Python 環境または仮想環境をアクティブにして、pip install roboflow.
別の利用可能なオプションは、Roboflow Python SDKを使用することです。
Roboflow python パッケージをインストールするには、Python 環境または仮想環境をアクティブにして、pip install roboflow.
Roboflow python パッケージを仮想環境にインストールする
次のコード スニペットを Python.pyファイルに追加します。.txtこれは、メモ帳を使用してファイルとして保存するか、Vim やVSCode.pyなどのコード エディターで行うことができます。
# import the Roboflow Python package
from roboflow import Roboflow
# instantiate the Roboflow object and authenticate with your credentials
rf = Roboflow(api_key="YOUR_PRIVATE_API_KEY")
# load/connect to your project
project = rf.workspace("YOUR_WORKSPACE").project("YOUR_PROJECT")
# load/connect to your trained model
model = project.version(VERSION_NUMBER, local="http://localhost:9001/").model
# perform inference on an image file
prediction = version.model.predict("YOUR_IMAGE.jpg")
# print prediction results in JSON
print(prediction.json())
行を更新し、プライベート API キーYOUR_PRIVATE_API_KEYに置き換えます
Roboflow Universe のモデルの API キーは、タブで利用できますAPI Docs。
Roboflow Universe のモデルの API キーは、タブで利用できますAPI Docs。
]
建設現場の安全 (Roboflow Universe API ドキュメント)
- YOUR_WORKSPACE: プロジェクトの に置き換えますworkspace_id。roboflow-universe-projectsこの例では
- YOUR_PROJECT: プロジェクトの に置き換えますproject_id。construction-site-safetyこの例では
- VERSION_NUMBER: トレーニング済みモデルの に対応する整数値に置き換えますversion_number。25この例では
.py必要な更新を行った後、ファイルを保存して実行します。たとえば、ファイルの名前が の場合はinfer.py、次のように実行しますpython3 infer.py。
最初の推論: モデルの重みのダウンロードと初期化
1つの画像に対するモデル予測の例
モデルはクライアント サーバー コンテキストとして実行し、ネットワーク上の別のマシンからの推論のために画像を Raspberry Pi に送信できます。
これを行うには、変数の定義を Raspberry Pi のローカル IP アドレスにlocalhost置き換えるだけです。version
これを行うには、変数の定義を Raspberry Pi のローカル IP アドレスにlocalhost置き換えるだけです。version
Pi パフォーマンスの期待値
Raspberry Pi 400 では 1 秒あたり約 1.3 フレームが見られました。これらの結果は、クライアント サーバー コンテキストで動作しているときに得られたものであり (そのため、多少のネットワーク レイテンシが含まれます)、416x416 モデルを使用しています。
Raspberry Pi がインターネット接続から切断された後でも、モデル コンテナーを使用して予測の処理を続行できます。ただし、これにより、ホストされた画像で予測を実行する機能が削除されます。
Raspberry Pi の電源を切るとコンテナーがシャットダウンするため、Raspberry Pi への電源が失われた場合、または Pi をシャットダウンした場合は、Roboflow 推論サーバーの実行セクションから始まる上記の手順を繰り返して、モデル予測をもう一度処理します。
Raspberry Pi がインターネット接続から切断された後でも、モデル コンテナーを使用して予測の処理を続行できます。ただし、これにより、ホストされた画像で予測を実行する機能が削除されます。
Raspberry Pi の電源を切るとコンテナーがシャットダウンするため、Raspberry Pi への電源が失われた場合、または Pi をシャットダウンした場合は、Roboflow 推論サーバーの実行セクションから始まる上記の手順を繰り返して、モデル予測をもう一度処理します。
結論
このチュートリアルに従って、エッジ推論のためにカスタム コンピューター ビジョン モデルを Raspberry Pi にデプロイできるようになりました。
Roboflow を使用してモデルをトレーニングおよびデプロイする利点は、1 行のコードでモデルを変更したり、ターゲットをデプロイしたりできることです。デバイスに Docker コンテナーをインストールしたので、将来のモデルの最適なバージョンを運用アプリケーションにすばやくデプロイできるようになります。
Roboflow を使用してモデルをトレーニングおよびデプロイする利点は、1 行のコードでモデルを変更したり、ターゲットをデプロイしたりできることです。デバイスに Docker コンテナーをインストールしたので、将来のモデルの最適なバージョンを運用アプリケーションにすばやくデプロイできるようになります。
