支持多种平台和边缘设备
Roboflow支持将模型部署到云端、网页浏览器、智能手机应用，甚至是边缘设备如NVIDIA Jetson和Luxonis OAK。现在，还增加了对树莓派的支持，让可以使用现有的应用程序代码无缝地与树莓派配合使用。
系统要求
需要一台运行64位Ubuntu系统的树莓派4或树莓派400。在树莓派的命令行中输入arch并确认输出为aarch64以验证系统兼容性。
安装指南
推理服务器通过Docker作为微服务运行。需要在树莓派上安装Docker，推荐使用curl -fsSL https://get.docker.com -o get-docker.sh sudo sh get-docker.sh进行安装。然后从Dockerhub拉取推理服务器，它会自动检测正在树莓派上运行并安装正确的版本：sudo docker pull roboflow/inference-server:cpu。运行推理服务器并传递网络卡：sudo docker run --net=host roboflow/inference-server:cpu。
与应用程序一起使用
树莓派上的Roboflow推理服务器与托管API和其他推理服务器的API规范兼容，因此可以通过将https://detect.roboflow.com替换为http://localhost:9001来使用现有的代码。此外，Roboflow pip包现在支持本地推理服务器，因此如果正在编写Python应用程序，使用模型就像pip install roboflow然后from roboflow import Roboflow rf = Roboflow(api_key="YOUR_API_KEY_HERE") version = rf.workspace("your-workspace").project("YOUR_PROJECT").version(1, local="http://localhost:9001") prediction = version.model.predict("YOUR_IMAGE.jpg") print(prediction.json())一样简单。
性能测试
可以使用Server Benchmarker来查看模型运行速度。在GitHub上克隆roboflow-ai/server-benchmark仓库，运行npm install，在仓库的顶级目录中添加RoboflowAPI密钥文件.roboflow_key，编辑benchmark.js配置以指向http://localhost:9001并引用Roboflow工作区和模型，然后运行node benchmark.js。它将使用Pi获取验证集中的图像的预测，并返回mAP和速度。在树莓派上看到的推理速度大约为1.3fps，这对于许多用例（如安全摄像头监控、入口控制、占用计数、零售库存等）来说已经足够了。