> For the complete documentation index, see [llms.txt](https://docs.roboflow.com/llms.txt). Markdown versions of documentation pages are available by appending `.md` to page URLs; this page is available as [Markdown](https://docs.roboflow.com/deployment/ja/to/active-learning.md).

# アクティブラーニング

本番推論データを収集し、レビューと再学習を通じてモデルを継続的に改善します。

## 概要

Active Learning は、デプロイ済みモデルの本番環境データを収集し、レビューや再トレーニングに利用できるようにします。本番環境でモデルが推論を実行すると、Active Learning は設定したルール（信頼度の低い予測や特定のクラスなど）に基づいて画像を自動的にサンプリングし、人によるレビュー用のキューに追加します。

{% hint style="info" %}
Active Learning を利用するには、クラウドデプロイが必要です。アノテーションレビュー機能が含まれるプランで利用できます。
{% endhint %}

## Webアプリ

### Active Learning を有効にする

1. プロジェクトを開き、左側のサイドバーで「Active Learning」を選択します。
2. Active Learning をオンに切り替えます。

Active Learning でデータを収集するには、プロジェクトにトレーニング済みモデルと有効なクラウドデプロイが必要です。

### 収集ルールを設定する

Active Learning の設定には、収集上限と条件の 2 種類があります。

#### 収集上限

Active Learning で収集するデータ量を制御します。

* サンプリング率: サンプリングする推論の割合（例: 0.5%）
* 1 分あたり、1 時間あたり、1 日あたりの画像上限
* 圧縮レベルと画像の最大寸法
* バッチの再作成頻度（毎日、毎週、毎月、またはなし）
* 収集した画像とともにモデルの予測を保存するかどうか

これらの設定を編集するには、「収集上限」セクションの「編集」をクリックし、設定モーダルで値を更新します。

#### 条件

条件では、収集する画像を絞り込みます。モデルの種類に応じてルールを定義できます。

* 信頼度のしきい値（例: 信頼度が 60% を下回る画像を収集）
* 対象とする特定のクラス
* 検出数の要件

条件を設定するには、「条件」セクションの「編集」をクリックします。

### Agent から Active Learning を管理する

Active Learning は [Roboflow Agent](https://docs.roboflow.com/agents/roboflow-agent)からも管理できます。プロジェクトのタブを開いて「設定」を選択し、このページと同じ切り替えスイッチ、収集上限、条件を使用します。これには、Manage Workflows、Publish Workflows、Dataset Active Learning の権限が必要です。

### 収集した画像をレビューする

Active Learning が画像を収集すると、Active Learning ページの「画像」セクションに表示されます。このページには、レビュー待ちの画像数と、現在レビュー中の画像数が表示されます。

レビューを開始するには:

1. 「画像をレビュー」をクリックして、レビュージューキューを開きます。
2. ステータス（未開始、進行中）でバッチを参照し、作成日、画像数、または進捗状況で並べ替えます。
3. バッチを選択してレビューを開始します。

### レビュアーを割り当てる

チーム内でレビュー作業を分担できます。

1. レビュージューキューを開き、バッチを選択します。
2. クリックしてレビュアーを割り当てます。
3. チームメンバーを選び、割り当てる画像数を設定します。必要に応じてレビュー手順も追加できます。
4. 「画像をシャッフル」をオンにすると、各レビュアーに割り当てる画像がランダムになります。

画像が割り当てられると、レビュアーに通知されます。画像はいつでも別のレビュアーに再割り当てできます。

### トレーニングループにおける Active Learning の役割

一般的なワークフロー:

1. モデルをトレーニングしてデプロイします。
2. ユースケースに合わせて条件を調整し、Active Learning を有効にします。
3. 条件に一致する本番環境データが収集され、キューに追加されます。
4. レビュアーが収集した画像にラベルを付けます。
5. レビュー済みの画像をデータセットに追加して再トレーニングし、モデルを改善します。

これにより、モデルが特に苦手とするケースを改善するフィードバックループが実現します。

## HTTP API

HTTP API を使用して、Active Learning のオン/オフの切り替え、収集ルールの更新、レビュージューキュー内の画像一覧の取得を行えます。Active Learning はプロジェクトのベースワークフロー内で実行されるため、変更を保存するたびに、そのワークフローの新しいバージョンがデプロイされます。

### Active Learning の設定を取得する

{% openapi src="/files/d41b60e1d967401c029ef725ea9b4bc5ca6bca2d" path="/{workspace}/{project}/deploy/active-learning" method="get" %}
[active-learning.yaml](https://970637113-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FoksNmwps1HmYr8TqHDnX%2Fuploads%2Fgit-blob-1d8110bcfbedf0930aefd5d2cfc4571776e13736%2Factive-learning.yaml?alt=media)
{% endopenapi %}

### Active Learning を有効にする

プロジェクトにモデルが設定されていない場合は、サービスが最初にモデルを選択します。

{% openapi src="/files/d41b60e1d967401c029ef725ea9b4bc5ca6bca2d" path="/{workspace}/{project}/deploy/active-learning/enable" method="post" %}
[active-learning.yaml](https://970637113-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FoksNmwps1HmYr8TqHDnX%2Fuploads%2Fgit-blob-1d8110bcfbedf0930aefd5d2cfc4571776e13736%2Factive-learning.yaml?alt=media)
{% endopenapi %}

### アクティブラーニングを無効にする

{% openapi src="/files/d41b60e1d967401c029ef725ea9b4bc5ca6bca2d" path="/{workspace}/{project}/deploy/active-learning/disable" method="post" %}
[active-learning.yaml](https://970637113-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FoksNmwps1HmYr8TqHDnX%2Fuploads%2Fgit-blob-1d8110bcfbedf0930aefd5d2cfc4571776e13736%2Factive-learning.yaml?alt=media)
{% endopenapi %}

### アクティブラーニングの設定を更新

新しいプロジェクトで設定する前に、アクティブラーニングを有効にしてください。毎回、完全な `collectionLimits` オブジェクトを送信してください。省略したオプションのフィールドは削除されます。

{% openapi src="/files/d41b60e1d967401c029ef725ea9b4bc5ca6bca2d" path="/{workspace}/{project}/deploy/active-learning/configuration" method="post" %}
[active-learning.yaml](https://970637113-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FoksNmwps1HmYr8TqHDnX%2Fuploads%2Fgit-blob-1d8110bcfbedf0930aefd5d2cfc4571776e13736%2Factive-learning.yaml?alt=media)
{% endopenapi %}

### アクティブラーニング画像の一覧表示

{% openapi src="/files/d41b60e1d967401c029ef725ea9b4bc5ca6bca2d" path="/{workspace}/{project}/deploy/active-learning/images" method="get" %}
[active-learning.yaml](https://970637113-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FoksNmwps1HmYr8TqHDnX%2Fuploads%2Fgit-blob-1d8110bcfbedf0930aefd5d2cfc4571776e13736%2Factive-learning.yaml?alt=media)
{% endopenapi %}

## Python SDK

`Workspace.active_learning()` はディレクトリ内のすべての画像に推論を実行し、条件に応じて画像（およびその予測結果）を送信先プロジェクトにアップロードします。これはSDKに組み込まれたアクティブラーニングのループです。既存のモデルにラベル付けする価値のある画像を選別させ、生の映像からラベリングキューを作成できます。

本番環境では、同じ処理パターンを [ワークフロー](https://docs.roboflow.com/workflows/manage/manage-workflows#python-sdk) として構築するのが最適ですが、 `active_learning()` は「フレームのフォルダーがある」状態から「プロジェクトにラベル付きデータを取り込む」状態へ最短で進む方法です。

### 基本的な使い方

```python
import roboflow

rf = roboflow.Roboflow(api_key="YOUR_API_KEY")
ws = rf.workspace()

ws.active_learning(
    raw_data_location="./frames",
    raw_data_extension=".jpg",
    inference_endpoint=["my-detector", 3],   # [project, version]
    upload_destination="my-detector",         # destination project
    conditionals={
        "required_class_variance_count": 1,           # at least 1 different class
        "minimum_size_requirement": 100,              # min pixels per detection
        "maximum_size_requirement": 4000000,
        "confidence_interval": [0, 60],               # only low-confidence predictions
    },
)
```

#### パラメーター

* `raw_data_location` （str）- 入力画像のディレクトリ。
* `raw_data_extension` （str）- 対象とする画像の拡張子（例： `.jpg`, `.png`).
* `inference_endpoint` （list、 `[project, version]`）- 選別ステップで実行するモデル。
* `upload_destination` （str）- 条件を満たす画像と予測結果のアップロード先プロジェクトID。多くの場合、モデルと同じプロジェクトです。
* `conditionals` （dict）- 画像をアップロードするかどうかを決めるルール。主なキー：
  * `confidence_interval` - `[min, max]`。検出結果の信頼度がこの範囲内にある画像のみが転送されます。
  * `required_class_variance_count` - 必要なクラスの種類数の最小値。
  * `minimum_size_requirement` / `maximum_size_requirement` - 検出領域をピクセル単位でフィルタリングします。
  * `required_class_count` - 検出数の合計。
* `use_localhost` （bool、デフォルトは `False`）-  `True`の場合、ホスト型推論の代わりにセルフホストの [Roboflow Inference](https://docs.roboflow.com/deployment/ja/self-hosted/self-hosted.md) サーバーにリクエストを送信します。
* `local_server` （str）- ローカル推論サーバーのベースURL。デフォルトは `http://localhost:9001/`.

### 使用する理由

一般的な流れ：

1. 少量のラベル付きデータでv1モデルをトレーニングします。
2. ラベルのない本番データのフォルダーを `active_learning()` の対象に指定します。
3. モデルの予測が不確かな画像（信頼度が低い画像）や、まれなクラスが検出された画像のみを転送します。
4. それらの画像にRoboflowのウェブアプリでラベルを付けます。
5. 新しいサンプルを使ってv2を生成し、再トレーニングします。

チューニング `conditionals` を使うことで、「すべてをアップロードする」方式から、実用的な選別ポリシーに変えられます。

### 大規模なパイプライン

入力が動画ストリームの場合、モデルがワークフロー経由で提供されている場合、またはバッチ処理や再試行が必要な場合は、同等の処理を [ワークフローとして構築してください。](https://docs.roboflow.com/workflows/manage/manage-workflows#python-sdk). `active_learning()` は、静的なフォルダーから一度だけ初期データを収集する場合に最適です。

## MCPサーバー

AIエージェントを [MCPサーバー](https://docs.roboflow.com/agents/mcp-server) に接続すると、以下のツールを使ってActive Learningを設定できます。

<table data-search="false"><thead><tr><th width="290">ツール</th><th>説明</th></tr></thead><tbody><tr><td><code>project_deployment_enable_active_learning</code></td><td>プロジェクトのデプロイメントでActive Learningを有効にします。</td></tr><tr><td><code>project_deployment_configure_active_learning</code></td><td>デプロイメントによるActive Learningデータの収集方法を設定します。</td></tr><tr><td><code>project_deployment_disable_active_learning</code></td><td>Active Learningのデータ収集を一時停止します。</td></tr><tr><td><code>project_deployment_list_review_queues</code></td><td>本番環境での推論からデータが送られるレビューキューを一覧表示します。</td></tr></tbody></table>
