> 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/get-started/ja/gaido/model-training.md).

# モデルの学習

このガイドでは、30秒の動画から、API から呼び出せる学習済みの物体検出モデルまでを作成します。Roboflow は動画からフレームを抽出し、Auto Label がバウンディングボックスを描画し、データセット上でモデルを学習します。この例ではじゃがいも検出モデルを作成しますが、独自の物体に置き換えることもできます。

{% stepper %}
{% step %}

### プロジェクトを作成する

ログインして [app.roboflow.com](https://app.roboflow.com) にアクセスするか、アカウントを持っていない場合は作成してください。「Projects」タブを開き、 [プロジェクト](https://docs.roboflow.com/datasets/create-and-upload/create-a-project)を作成します。このガイドでは Object Detection プロジェクトタイプと Traditional アノテーションツールを使用します。

{% embed url="<https://media.roboflow.com/quickstart/step1.mp4>" %}
{% endstep %}

{% step %}

### データをアップロードする

[データをアップロードする](https://docs.roboflow.com/datasets/create-and-upload/adding-data)  をプロジェクトに追加します。Roboflow は画像、動画、アノテーションファイル、PDF を取り込めます。このガイドでは 30 秒の動画をアップロードし、そこから 1 秒あたり 1.4 フレームを抽出して、42 枚の画像を得ます。まだデータがない場合は、 [Roboflow Universe からデータセットをインポートする](https://docs.roboflow.com/datasets/create-and-upload/adding-data/roboflow-universe) こともできます。

{% embed url="<https://media.roboflow.com/quickstart/step2.mp4>" %}
{% endstep %}

{% step %}

### Auto Label でラベル付けする

選択 [Auto Label](https://docs.roboflow.com/datasets/annotate/annotate/ai-labeling/auto-label) を使って、クラス名または物体の短い説明を入力します（ここでは: `じゃがいも`）。信頼度しきい値はデフォルトより少し高めに設定します。しきい値を高くすると、Auto Label は確信のあるボックスだけを残します。いくつかのじゃがいもを見落とすことはありますが、レビュー時に抜けたボックスを追加するほうが、間違ったボックスを修正するより速いです。

{% embed url="<https://media.roboflow.com/quickstart/step3-autolabel.mp4>" %}
{% endstep %}

{% step %}

### アノテーションをレビューする

各画像で Auto Label の結果を確認します。ボックスが正しければ、画像を承認します（`A`）。正しくない場合は、手動または [Smart Select](https://docs.roboflow.com/datasets/annotate/annotate/ai-labeling/smart-select) を使って、ボックスを削除・修正・追加できます。Smart Select は対象物をクリックすると、その物体用のボックスを描画してくれます。42 枚すべての画像を確認して、すべて承認されるようにします。

{% embed url="<https://media.roboflow.com/quickstart/step4-verify-labelassist.mp4>" %}
{% endstep %}

{% step %}

### バージョンを作成して学習する

承認済みの画像をデータセットに追加し、 [学習・検証・テストのセットに分割します](https://docs.roboflow.com/datasets/versions/dataset-versions/create-a-dataset-version)。 [RF-DETR](https://docs.roboflow.com/models/supported-models/rf-detr) （Medium）を使用します。Roboflow が構築した、高速で高精度な検出モデルだからです。次にデータセットのバージョンを作成し、学習を開始します。

モデルの学習中は、 [リアルタイムの学習グラフ](https://docs.roboflow.com/models/evaluate/training-results)を確認できます。このモデルは約 45 分で完了し、完了するとメールが届きます。モデルを開いて、 [評価指標](https://docs.roboflow.com/models/evaluate/evaluate-trained-models) （mAP、precision、recall、F1）を確認しましょう。

{% embed url="<https://media.roboflow.com/quickstart/step5-version-training.mp4>" %}
{% endstep %}

{% step %}

### モデルをデプロイする

これでモデルを実行できます。 [ワークフロー](https://docs.roboflow.com/workflows)で使うことも、単独でデプロイすることもできます。このガイドではクラウドホスト型の [サーバーレス Hosted API](https://docs.roboflow.com/deployment/roboflow-cloud/serverless-api)を使用します。モデルのデプロイページで Python スクリプトをコピーし、依存関係をインストールして、自分の画像の 1 枚を指定し、実行します。スクリプトはモデルの予測を JSON として出力します。

{% embed url="<https://media.roboflow.com/quickstart/step6-deploy.mp4>" %}
{% endstep %}

{% step %}

### 結果を可視化する

バウンディングボックスを表示するには、 [supervision](https://supervision.roboflow.com)（Roboflow のオープンソース・アノテーションライブラリ）を使って画像上に描画します。 `pip install supervision` でインストールし、JSON の予測結果を読み込んで、各じゃがいもの周囲にボックスを描画します。元の Python スクリプトに次の行を追加してください:

```python
detections = sv.Detections.from_inference(result)

image = cv2.imread(image_path)
image = sv.BoxAnnotator().annotate(image, detections)

cv2.imwrite("annotated.jpg", image)
```

各ボックスは、モデルが見つけたじゃがいもを示しています:

<figure><img src="/files/4fc176ef1ddf27bb9a13cb0cc9de5c73ee0d5564" alt="Potatoes on a conveyor, each marked with a bounding box"><figcaption><p>supervision でフレーム上に描画された、学習済みモデルの予測結果。</p></figcaption></figure>
{% endstep %}
{% endstepper %}

## 次に進むには

* 自分のモデルの [ワークフロー](https://docs.roboflow.com/workflows/build/create-a-workflow) を構築して、ロジック、可視化、その他のステップと連携させましょう。
* 自分のハードウェア上でモデルを実行します。 [モデルをローカルで実行する](/get-started/ja/gaido/run-a-model-locally.md) を参照してください。必要なのは、バージョンページにある model\_id です（今回の場合は `erikrf/potatoes-daysm-1-rfdetr-medium-t1`).
* 動画ストリーム上でモデルを実行します。 [動画上でモデルを実行する](/get-started/ja/gaido/run-a-model-on-a-video.md).
* より多くの画像にラベルを付けて再学習し、精度を改善します。 [学習済みモデルを評価する](https://docs.roboflow.com/models/evaluate/evaluate-trained-models).