> 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経由で呼び出せる物体検出モデルをトレーニングするまでの手順を説明します。Roboflowが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て、データセットでモデルをトレーニングします。この例ではジャガイモ検出モデルを作成しますが、検出対象は自由に変更できます。

{% stepper %}
{% step %}

### プロジェクトを作成する

こちらからサインインします： [app.roboflow.com](https://app.roboflow.com)。アカウントがない場合は作成してください。「プロジェクト」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、プロジェクトタイプに「物体検出」、アノテーションツールに「従来型」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) プロジェクトにデータをアップロードします。Roboflowでは、画像、動画、アノテーションファイル、PDFを使用できます。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枚の画像を取得します。まだデータがない場合は、代わりに [Roboflow Universeからデータセットをインポート](https://docs.roboflow.com/datasets/create-and-upload/adding-data/roboflow-universe) 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

「 [Auto Label](https://docs.roboflow.com/datasets/annotate/annotate/ai-labeling/auto-label) 」を選択し、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`）。信頼度のしきい値はデフォルトより少し高く設定します。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。その結果、ジャガイモをいくつか見落とす可能性はありますが、誤ったボックスを修正するより、レビュー時に不足しているボックスを追加するほうが手早く済みます。

{% 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。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、手動で、または [スマート選択](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。スマート選択では、対象物をクリックするとボックスが描画されます。42枚すべてを確認して承認します。

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

{% step %}

### バージョンを作成してトレーニングする

承認済みの画像をデータセットに追加し、 [トレーニング用、検証用、テスト用の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、Roboflowが開発した高速で高精度な検出モデル、 [RF-DETR](https://docs.roboflow.com/models/supported-models/rf-detr) （Medium）を使用します。RF-DETRはApache 2.0ライセンスで提供されているため、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んで公開できます。続いて、データセットのバージョンを作成し、トレーニングを開始します。

モデルのトレーニング中は、 [トレーニングのライブグラフ](https://docs.roboflow.com/models/evaluate/training-results)を確認できます。このモデルのトレーニングは約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、適合率、再現率、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。 [ワークフロー](https://docs.roboflow.com/workflows)で使用するか、単独でデプロイしてください。このガイドでは、クラウドでホストされる [サーバーレス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、自分の画像のいずれかを指定し、実行します。スクリプトはモデルの予測結果を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確認するには、 [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）を使って画像に描画します。 `pip install supervision`でインストールし、JSON形式の予測結果を読み込んで、それぞれのジャガイモを囲む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、モデルが検出し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>学習済みモデルの予測結果を、supervisionを使ってフレーム上に描画したものです。</p></figcaption></figure>
{% endstep %}
{% endstepper %}

## 次に進む

* モデルを中心に [ワークフロー](https://docs.roboflow.com/workflows/build/create-a-workflow) を構築し、ロジックや可視化、その他のステップと連携させましょう。
* お使いのハードウェアでモデルを実行します。詳しくは、 [モデルをローカルで実行する](https://docs.roboflow.com/get-started/ja/gaido/run-a-model-locally.md)をご覧ください。バージョンページに記載されているmodel\_idが必要です（今回の場合は `erikrf/potatoes-daysm-1-rfdetr-medium-t1`).
* 動画ストリームでモデルを実行します。詳しくは、 [動画でモデルを実行する](https://docs.roboflow.com/get-started/ja/gaido/run-a-model-on-a-video.md).
* 画像をさらにラベル付けして再学習し、精度を向上させます。詳しくは、 [学習済みモデルを評価する](https://docs.roboflow.com/models/evaluate/evaluate-trained-models).
