専用エンドポイント#

Ultralytics Platformは、42のグローバルリージョンにおける専用エンドポイントへのYOLOモデルのデプロイを可能にします。各エンドポイントは、固有のエンドポイントURLと独立したモニタリングを備えたシングルテナントサービスです。デフォルトのリソースサイズはアイドル時にゼロまでスケールダウンし、カスタムサイズはウォームインスタンスを維持して稼働時間に対して課金されます。

エンドポイントの作成#

Deployタブから#

モデルのDeployタブからモデルをデプロイします。

1. モデルに移動します
2. Deployタブをクリックします
3. 世界地図と地域テーブルを確認します。地域テーブルは、現在地から測定したレイテンシの順に並んでいます
4. 使用する地域の行でDeployをクリックします
5. ダイアログでCPU、メモリ、価格、デプロイ名を確認し、Create Deploymentをクリックします。

提案される名前はモデル名とリージョンの都市名を組み合わせたもので（例：yolo26n-iowa）、デプロイ前に編集できます。モデルにウェイトが含まれている必要があり、そうでない場合はタブにリージョンテーブルの代わりに空の状態が表示されます。

Deploymentsページから#

サイドバーのグローバルなDeployページからデプロイメントを作成します。

1. New Deploymentをクリックします
2. 完了済みのモデルが一覧表示されるモデルセレクターから、モデルを選択します
3. ミニマップまたはレイテンシテーブルから地域を選択します
4. CPUとメモリを選択し、価格を確認し、必要に応じて提案されたデプロイ名を編集します。
5. Create Deploymentをクリックします。

デプロイメントのライフサイクル#

stateDiagram-v2
    [*] --> Creating: Deploy
    Creating --> Deploying: Service starting
    Deploying --> Ready: Service URL published
    Ready --> Stopping: Stop
    Ready --> Deploying: Replace model
    Stopping --> Stopped: Stopped
    Stopped --> Deploying: Start
    Deploying --> Stopped: Start failed
    Ready --> [*]: Delete
    Stopped --> [*]: Delete
    Creating --> Failed: Error
    Deploying --> Failed: Error
    Failed --> [*]: Delete

    classDef proc fill:#2196F3,color:#fff
    classDef out fill:#9C27B0,color:#fff
    classDef error fill:#F44336,color:#fff
    classDef extern fill:#607D8B,color:#fff
    class Creating,Deploying,Stopping proc
    class Ready out
    class Failed error
    class Stopped extern

Slackアラートを接続すると、デプロイメントの準備が完了したとき、または開始に失敗したときにメッセージを受信できます。

リージョンの選択#

世界42地域から選択できます。インタラクティブな地域マップとテーブルには、次の情報が表示されます。

• 地域ピン: 緑から赤へのグラデーションでレイテンシを色分けします（高速な地域ほど緑色、低速な地域ほど赤色になります）
• デプロイ済みの地域: テーブル内で「Deployed」バッジを付けて強調表示されます
• デプロイ中の地域: ピンとテーブル行にアニメーション付きのパルスインジケーターが表示されます
• 双方向のハイライト: マップ上にカーソルを合わせるとテーブル行が強調表示され、その逆も同様です

モデル Deploy タブのリージョンテーブルには以下が含まれます。

テーブルは都市、国、ゾーンで検索でき、デフォルトではレイテンシ順に並んでいます。

利用可能な地域#

エンドポイント設定#

新規デプロイメントダイアログ#

New Deploymentダイアログでは、モデル、リージョン、リソース、デプロイ名を選択できます：

リソースコントロールでCPUとメモリのサイズを選択し、デプロイを作成する前に表示される価格を確認してください。デフォルトサイズは利用可能な無料デプロイ枠を使用できますが、カスタムサイズは従量課金制です。デフォルトサイズはアイドル時にゼロまでスケールダウンします。カスタムサイズは1つのウォームインスタンスを維持し、アイドル時間を含めて準備完了状態からエンドポイントを停止するまでの間、料金が発生します。Agentsは、**New deployment…**を選択した際にこのダイアログを再利用します。

デプロイタブ（クイックデプロイ）#

モデルのDeployタブからデプロイを行うと、モデルとリージョンが事前に選択された状態で同じダイアログが開きます。エンドポイントを作成する前に、リソースサイズ、価格、自動生成された名前を確認してください。作成中のデプロイはActive Deploymentsリストに表示されます。

エンドポイントの管理#

表示モード#

デプロイリストでは、次の3つの表示モードを利用できます。

デプロイカード（カード表示）#

カード表示の各デプロイカードには、次の情報が表示されます。

• ヘッダー: 名前、リージョンフラグ、ステータスバッジ、および現在のステータスで使用可能なアクションボタン（Ready時の設定更新、置換、停止、Stopped時の開始、いつでも可能な削除）
• エンドポイント URL: エンドポイント専用の API リファレンスへのリンクが付いたコピー可能な URL
• メトリクス: リクエスト数（24時間）、P95 レイテンシー、エラー率、または「まだトラフィックがありません」
• ヘルスチェック: レイテンシーと手動更新機能を備えたライブヘルスインジケーター
• タブ: Logs、Code、および Predict。有料エンドポイントには Monitoring も表示されます
• フッター: デプロイに紐付けられた API キーのプレフィックスと、Ready になった日付
• ステータスメッセージ: デプロイに失敗した場合の失敗理由

URL、メトリクス、ヘルスチェック、タブは、デプロイが Ready の間のみ表示されます。Logs タブには、重大度フィルタリング（All / Errors）に対応した最近のログエントリが表示されます。Code タブには、エンドポイント URL を含む、Python、JavaScript、cURL 用のすぐに使えるコード例と、ワークスペース所有者向けの紐付けられた API キーが表示されます（モニタリングを参照）。Predict タブには、デプロイ上で直接テストするためのインライン推論パネルが表示されます。

CPUとメモリの更新#

1. Cards ビューで Ready エンドポイントを開きます。
2. Update deployment configuration をクリックします。
3. CPU と Memory を選択し、表示される時間あたりのコストを確認します。
4. Update Configuration をクリックします。新しい設定の準備ができるまで、現在の設定での処理が継続されます。

カスタムリソースは稼働時間課金を使用し、インスタンスをウォーム状態に維持します。デフォルトのリソースに戻すと、ゼロスケール動作に戻り、有料の監視タブが削除されます。

モデルの置換#

URLを変更せずに、Ready 状態のエンドポイントで使用するモデルを置換します。

1. カード 表示でデプロイを開きます
2. モデルを置換 をクリックします
3. 同じワークスペースから別の完了済みモデルを選択します
4. 必要に応じてデプロイ名を編集します
5. モデルを置換 をクリックします

置換モデルの起動中も、現在のモデルは引き続きサービスを提供します。置換モデルの準備が完了すると、トラフィックは新しいモデルに移行します。デプロイ ID、URL、リージョン、API キーは変更されません。表示名は、新しい名前を入力した場合にのみ変更されます。置換に失敗した場合は、以前のモデルと名前が引き続きアクティブになります。

置換には以下のすべての条件が必要であり、それ以外の場合は拒否されます。

• デプロイが Ready で、進行中の他のライフサイクル操作がないこと
• 置換モデルに重みがあり、デプロイと同じワークスペースに属していること
• 置換モデルが、すでにデプロイされているモデルではないこと

デプロイステータス#

エンドポイント URL#

各エンドポイントには一意の URL があります。たとえば次のとおりです。

https://predict-<deployment-id>-<hash>-<region>.a.run.app

コピーボタンをクリックしてURLをコピーします。ドキュメントアイコンをクリックして、エンドポイント独自のAPIリファレンスを開きます。エンドポイントは以下のパスを提供します。

ライフサイクル管理#

エンドポイントの状態を制御します。

graph LR
    R[Ready]:::out -->|Stop| S[Stopped]:::extern
    S -->|Start| R
    R -->|Delete| D[Deleted]:::error
    S -->|Delete| D

    classDef out fill:#9C27B0,color:#fff
    classDef error fill:#F44336,color:#fff
    classDef extern fill:#607D8B,color:#fff

エンドポイントを停止する#

リクエストを受け付けないようにする場合は、エンドポイントを停止します。

1. デプロイメントカードの一時停止アイコンをクリックします
2. エンドポイントのステータスが「Stopping」に変わり、その後「Stopped」になります

停止したエンドポイント:

• リクエストを受け付けず、ライブメトリクスやヘルスステータスを報告しません
• 稼働時間料金の発生を停止します
• 提供インスタンスのシャットダウン時に、一時的な監視統計とサンプル画像が失われます
• URL、リージョン、紐付けられた API key は維持され、いつでも再起動できます
• プランのデプロイメントクォータには引き続きカウントされます — スロットを解放するにはエンドポイントを削除してください

エンドポイントを削除する#

エンドポイントを完全に削除するには:

1. デプロイメントカードの削除（ゴミ箱）アイコンをクリックします
2. ダイアログで削除を確認します

モデルまたはプロジェクトを完全に削除した場合や、ゴミ箱に入れたモデルまたはプロジェクトが 保持期間の終了に達した場合も、デプロイメントは削除されます。

エンドポイントの使用#

認証#

各デプロイメントは、モデルを所有するワークスペースの単一の API key に紐付けられます。リクエストに含めてください:

Authorization: Bearer YOUR_API_KEY

エンドポイントは作成時に紐付けられた key のみを受け付けるため、他の key ではアクセスできません — 同じワークスペース内の別の有効な key であっても同様です。紐付ける key を制御するには、ワークスペース所有者の key で認証した API 経由でデプロイしてください: その正確な key が紐付けられるため、すでにその key を保持しています。それ以外の方法（Platform UI、またはチームメンバーとして認証された API call）で作成されたデプロイメントでは、所有ワークスペースの有効な key のいずれかが自動的に紐付けられます — デプロイメントカードのフッターに表示される key prefix で特定し、その値をワークスペース所有者に尋ねてください。key の値を確認できるのは所有者だけです（API Keys を参照）。紐付けられた key を持たないチームメンバーでも、ブラウザーの Platform predict proxy を介して推論を実行できます。

エンドポイントへの直接リクエスト#

デプロイメントカードに表示される URL に、本番環境のリクエストを直接送信します。これらのリクエストは Platform API のレートリミッターを経由しないため、20 requests/minute の predict 制限は適用されません。エンドポイントには独自の 容量上限があります:

• 各エンドポイントは単一のインスタンスで処理され、同時に処理できるリクエスト数には制限があります
• 迅速に処理できないリクエストは 429 を返し、Retry-After ヘッダーが付与されます
• 1 件のリクエストは最大 1 時間実行できるため、動画推論を完了できます
• 1 KB を超えるレスポンスは gzip 圧縮され、クロスオリジンのブラウザーリクエストが許可されます

リクエスト例#

import requests

# Deployment endpoint
url = "https://YOUR_DEPLOYMENT_URL.run.app/predict"

# Headers with your deployment API key
headers = {"Authorization": "Bearer YOUR_API_KEY"}

# Inference parameters
data = {"conf": 0.25, "iou": 0.7, "imgsz": 640}

# Send image for inference
with open("image.jpg", "rb") as f:
    response = requests.post(url, headers=headers, data=data, files={"file": f})

print(response.json())

リクエストパラメーター#

bits によって返される depth map がどのように変わるか、およびそのデコード方法については、Depth responses を参照してください。

レスポンス形式#

タスク固有のフィールドを含む shared inference と同じです。

FAQ#