> 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).

# モデルトレーニング

短い動画を、APIから呼び出せるカスタム学習済み物体検出モデルに変換します。

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物体検出モデルまでを案内します。Roboflowは動画からフレームを抽出し、Auto Labelが枠を描画し、データセット上でモデルを学習します。この例ではジャガイモ検出モデルを作成しますが、独自の対象物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

でサインイン [app.roboflow.com](https://app.roboflow.com)、またはアカウントをお持ちで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。Roboflowは画像、動画、アノテーションファイル、PDFを受け付けます。このガイドでは30秒の動画をアップロードし、そこから毎秒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できます](https://docs.roboflow.com/datasets/create-and-upload/adding-data/roboflow-universe) 。

{% 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) し、クラス名または対象物の短い説明を入力します（ここでは： `potato`）。信頼度しきい値は既定より少し高めに設定します。しきい値を高くすると、Auto Labelは確信のある枠だけを保持します。いくつかのジャガイモを見逃すことはありますが、レビュー中に不足している枠を追加するほうが、誤った枠を修正するより早いです。

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

{% step %}

### アノテーションを確認する

各画像でAuto Labelの結果を確認します。枠が正しければ、画像を承認します（`A`）。そうでない場合は、枠を手動で、または [Smart Select](https://docs.roboflow.com/datasets/annotate/annotate/ai-labeling/smart-select)を使って削除、修正、追加できます。Smart Selectは、対象物をクリックすると枠を自動で描画します。42枚すべての画像を確認し、すべて承認します。

{% 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

承認された画像をデータセットに追加し、 [train、validation、testセットに分割します](https://docs.roboflow.com/datasets/versions/dataset-versions/create-a-dataset-version)。ここでは [RF-DETR](https://docs.roboflow.com/models/supported-models/rf-detr) （Medium）を使用します。RF-DETRはRoboflowが構築した高速かつ高精度な検出モデルです。RF-DETRはApache 2.0ライセンスで公開されているため、ライセンス料を支払ったりコードをオープンソース化したりせずに、クローズドソースの商用製品に組み込めます。次に、データセットのバージョンを作成して学習を開始します。

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）を確認してください。

{% 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。次のように使用できます： [Workflow](https://docs.roboflow.com/workflows)、または単独でデプロイできます。このガイドでは、クラウドホストの [Serverless Cloud 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つを指定し、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、画像上に次のもので描画します： [supervision](https://supervision.roboflow.com)、Roboflowのオープンソース注釈ライブラリです。次でインストールします： `pip install supervision`、その後JSON予測を読み込み、各ジャガイモの周囲に枠を描画します。元のPythonスクリプトに次の行を追加します：

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

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

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

各枠は、モデルが見つけたジャガイモを示しています：

<figure><img src="https://2537277549-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2F1YMZNIiZMBdlCHUDeZMP%2Fuploads%2Fgit-blob-2627e9fb509cf0f35f074e7452b0c787a571c435%2Fpotato-detections.webp?alt=media" alt="Potatoes on a conveyor, each marked with a bounding box"><figcaption><p>supervisionでフレーム上に描画した学習済みモデルの予測。</p></figcaption></figure>
{% endstep %}
{% endstepper %}

## 次に進むには

* 作成する [Workflow](https://docs.roboflow.com/workflows/build/create-a-workflow) をモデルの周りに構築して、ロジック、可視化、その他の処理と連携させます。
* 自分のハードウェアでモデルを実行します。参照： [ローカルでモデルを実行する](/get-started/ja/gaido/run-a-model-locally.md)；バージョンページのmodel\_idが必要です（この例では `erikrf/potatoes-daysm-1-rfdetr-medium-t1`).
* 動画ストリームでモデルを実行します。参照： [動画でモデルを実行する](/get-started/ja/gaido/run-a-model-on-a-video.md).
* さらに多くの画像にラベル付けし、再学習することで精度を向上できます。参照： [学習済みモデルを評価する](https://docs.roboflow.com/models/evaluate/evaluate-trained-models).