まず、無料のroboflowアカウントを作成してください。次に、roboflowダッシュボードの左側のサイドバーにある「ワークフロー」をクリックします。「ワークフローを作成」をクリックします。
空のワークフロー エディターが表示され、そこでアプリケーションの構築を開始できます。

人や車両を検出するためには、対応するモデルが必要です。本ガイドでは、Microsoft COCOデータセットでトレーニングされたモデルを使用します。このデータセットには、人、車、トラックなどを識別するための情報が含まれています。

「モデルの追加」をクリックし、「オブジェクト検出モデル」を選択します。

使用するモデルを設定できるウィンドウが開きます。
「パブリックモデル」をクリックし、YOLOv8 モデルを選択します。

ここでは、車両や人物などを識別できるCOCOモデルが使用されます。
また、roboflowでトレーニングした独自モデルを使用することも可能です。これは、掘削機やパイプなど、人や車両以外の特定の物体を識別したい場合に便利です。

すでにモデルをトレーニング済みの場合は、「Your Models（モデル）」タブから選択できます。

監視するレッドゾーンを定義する前に、前のステップで設定したモデルからの予測結果をもとにオブジェクト追跡を有効化する必要があります。
そのために、「Byte Tracker」ブロックを検索し、ワークフローに追加してください。

監視するレッドゾーンを設定する準備が整いました。

次に、監視対象となる「レッドゾーン」を定義します。これには、「Time in Zone」ブロックを使用します。このブロックは、オブジェクトが指定したゾーン内にどれくらいの時間滞在しているかを追跡する機能です。

ワークフローの「ブロック追加アイコン」をクリックし、「Time in Zone」と検索してブロックを追加してください。

画面右側に設定パネルが開き、レッドゾーンを設定できます。設定パネルの「Set Polygon Zone」ボタンをクリックします。

レッドゾーンを定義できる設定ウィンドウが表示されます。

レッドゾーン監視を正常に機能させるには、カメラを固定された角度で設置する必要があります。
カメラの映像からフレームをアップロードするか、動画をアップロードしてください。
最初のフレームは、ワークフローアプリケーションが自動的に取得します。

次に、ワークフロー上に表示されているフレーム画像をクリックして、監視ゾーン（ポリゴン）を描画します。
描画を完了するには、最後の点をクリックした後、Enterキーを押してポリゴンを確定してください。

上記の手順では、レッドゾーンに対応する4つの辺を持つポリゴンを描画しました。

現在、ワークフローはゾーン内のオブジェクトを正しく追跡できるようになっています。
しかし、視覚的な出力はまだありません。
ワークフローの結果はJSON形式で出力され、他のシステムとの連携には最適ですが、システムが正常に動作しているかどうかを視覚的に確認できると、さらに安心です。
このレッドゾーン監視システムの結果を視覚化するために、ワークフローの注釈機能を使用します。
ここでは、次の3つの注釈ツールをワークフローに追加します。

1.境界ボックスの表示
2.ポリゴンゾーンの表示
3.ラベルの表示

ポリゴンゾーンの表示を設定する際は、「Time in Zone」ブロックで定義したポリゴンゾーンの座標をコピーして利用してください。

これらをポリゴンゾーン視覚化のゾーンフィールドに貼り付けます。

ラベルの視覚化を設定するときに、テキストを次のように表示するように設定します[Time in Zone]。

これで、ワークフローは次の情報をビデオフィード上に表示するようになりました。
・モデルが検出した人物や車両の位置（境界ボックス）
・定義したポリゴンゾーン
・各オブジェクトがそのゾーン内で滞在した時間
これにより、レッドゾーンへの立ち入り状況を視覚的に確認できるようになります。

pip install inference

# Import the InferencePipeline object
from inference import InferencePipeline
import cv2

def my_sink(result, video_frame):
    if result.get("label_visualization"): # Display an image from the workflow response
        cv2.imshow("Workflow Image", result["label_visualization"].numpy_image)
        cv2.waitKey(1)
    print(result) # do something with the predictions of each frame


# initialize a pipeline object
pipeline = InferencePipeline.init_with_workflow(
    api_key="your-api-key",
    workspace_name="your-workspace",
    workflow_id="custom-workflow",
    video_reference=0, # Path to video, device id (int, usually 0 for built in webcams), or RTSP stream url
    max_fps=30,
    on_prediction=my_sink
)
pipeline.start() #start the pipeline
pipeline.join() #wait for the pipeline thread to finish