> 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/models/ja/moderunomi/upload-custom-weights.md).

# カスタムモデルの重みをアップロード

Roboflow では、カスタム学習したモデルの重みを Roboflow プロジェクトにアップロードしてモデルをデプロイできます。

## Roboflow外で学習した重みのアップロード

カスタムモデルの学習が完了したら、モデルの重みをRoboflowプロジェクトに戻してアップロードし、以下を活用してください [Roboflow Inference](https://docs.roboflow.com/deployment/self-hosted/self-hosted).

Roboflowでモデルを学習するには、こちらを参照してください [モデルを学習する](https://docs.roboflow.com/models/ja/xue-xi/train-a-model.md).

### モデルのサポート

YOLOv5、YOLOv7、YOLOv9、YOLOv10の重みの新規アップロードはサポートされなくなりました。既存のアップロード済みモデルは、引き続き推論に利用できます。

これらのモデルファミリーの重みをアップロードできます。値を `model_type` 列にPython SDKまたはCLIへ渡してください。

<table data-search="false"><thead><tr><th>モデル</th><th>model_type</th></tr></thead><tbody><tr><td><a href="https://docs.roboflow.com/models/ja/supported-models/rf-detr.md">RF-DETR</a></td><td><code>rfdetr-nano</code> から <code>rfdetr-2xlarge</code>, <code>rfdetr-seg-nano</code> から <code>rfdetr-seg-2xlarge</code>, <code>rfdetr-keypoint-preview</code></td></tr><tr><td><a href="https://docs.roboflow.com/models/ja/supported-models/yolo26.md">YOLO26</a></td><td><code>yolo26n</code>, <code>yolo26s</code>, <code>yolo26m</code>, <code>yolo26l</code>, <code>yolo26x</code> （追加 <code>-seg</code>, <code>-pose</code>、または <code>-sem</code> （他のタスク用）</td></tr><tr><td><a href="https://docs.roboflow.com/models/ja/supported-models/yolov12.md">YOLOv12</a></td><td><code>yolov12n</code> から <code>yolov12x</code></td></tr><tr><td><a href="https://docs.roboflow.com/models/ja/supported-models/yolo11.md">YOLO11</a></td><td><code>yolov11n</code> から <code>yolov11x</code> （追加 <code>-seg</code> または <code>-pose</code> （他のタスク用）</td></tr><tr><td><a href="https://docs.roboflow.com/models/ja/supported-models/yolov8.md">YOLOv8</a></td><td><code>yolov8n</code> から <code>yolov8x</code> （追加 <code>-seg</code> または <code>-pose</code> （他のタスク用）</td></tr><tr><td><a href="https://docs.roboflow.com/models/ja/supported-models/yolo-nas.md">YOLO-NAS</a></td><td><code>yolonas</code></td></tr><tr><td><a href="https://docs.roboflow.com/models/ja/supported-models/paligemma2.md">PaliGemma 2</a></td><td><code>paligemma2-3b-pt-224</code>, <code>-448</code>, <code>-896</code> （追加 <code>-peft</code> （LoRA重み用）</td></tr><tr><td><a href="https://docs.roboflow.com/models/ja/supported-models/florence-2.md">Florence 2</a></td><td><code>florence-2-base</code>, <code>florence-2-large</code></td></tr></tbody></table>

{% hint style="warning" %}

* YOLOv8モデルは `ultralytics==8.0.196`
* YOLOv11モデルは `ultralytics<=8.3.40`
* YOLOv12モデルは、以下を使用して学習およびアップロードする必要があります `ultralytics` から <https://github.com/sunsmarterjie/yolov12>
  {% endhint %}

{% hint style="info" %}
より大きなモデルサイズは、より良い学習結果をもたらします。ただし、モデルサイズが大きいほど、学習時間と推論（モデル予測）速度は遅くなります。高速で動く物体や動画フィードに対してリアルタイム推論が必要なのか（小さいモデルの方が適しています）、それとも収集後のデータ処理で、予測精度の高さをより重視するのか（大きいモデルを選択してください）を検討してください。
{% endhint %}

### バージョン付きモデルとバージョンなしモデルのアップロード

Roboflowは、プロジェクトにモデルをデプロイするための2つの異なるアプローチを提供しており、それぞれが異なるユースケースと組織上のニーズに対応しています。バージョン付きデプロイとバージョンなしデプロイのどちらを選ぶかは、データセットのバージョンとあわせてモデルの進化を追跡する必要があるか、あるいはワークスペース内の複数プロジェクトでモデルを共有したいかによって決まります。

* **バージョンなしデプロイ**
  * ワークスペースレベルに紐づく
  * 複数のプロジェクトに同時にデプロイ可能
  * 同じワークスペース内の異なるプロジェクト間でモデルを共有するのに最適
* **バージョン付きデプロイ**
  * 特定のプロジェクトバージョンに紐づく
  * 1つの [バージョン](https://docs.roboflow.com/models/ja/versions-trainings-and-models.md) に複数のアップロード済みモデルを持つことができます
  * データセットのバージョンとあわせてモデルの進化を追跡するのに最適
  * Label Assistでモデルを使用するのに最適
  * 他のモデルを学習するためのチェックポイントとしてモデルを使用するのに最適

## Python SDK

まず、最新の `roboflow` Pythonパッケージがインストールされていることを確認してください：

```bash
pip install --update roboflow
```

### バージョンなしモデル

バージョンなしのカスタム重みをアップロードするには、以下の `workspace.deploy_model()` メソッドを使用します：

```python
workspace.deploy_model(
    model_type="yolov8",  # モデルの種類
    model_path="path/to/model",  # モデルディレクトリへのパス
    project_ids=["project1", "project2"],  # プロジェクトIDの一覧
    model_name="my-model",  # モデル名（少なくとも1文字を含み、数字とダッシュを使用できます）
    filename="weights/best.pt"  # 重みファイルへのパス（既定）
)
```

**パラメータ**

| パラメータ         | 型          | 必須  | 説明                                          |
| ------------- | ---------- | --- | ------------------------------------------- |
| `model_type`  | str        | はい  | デプロイするモデルの種類。例： `yolov8`, `yolov11`.        |
| `model_path`  | str        | はい  | モデルの重みを含むディレクトリへのパス。                        |
| `project_ids` | list\[str] | はい  | モデルをデプロイするプロジェクトID。                         |
| `model_name`  | str        | はい  | モデルを識別する名前。少なくとも1文字を含む必要があり、数字とダッシュを使用できます。 |
| `filename`    | str        | いいえ | 重みファイル名。既定値は `weights/best.pt`.             |

**例**

```python
from roboflow import Roboflow

rf = Roboflow(api_key="YOUR_API_KEY")
workspace = rf.workspace("YOUR_WORKSPACE")

workspace.deploy_model(
  model_type="yolov8",
  model_path="./runs/train/weights",
  project_ids=["project-1", "project-2", "project-3"],
  model_name="my-custom-model"
)
```

### バージョン付きモデル

{% hint style="info" %}
バージョン付きのカスタム重みアップロードでは、アップロードされた各モデルがデータセットのバージョンに紐づけられます。データセットに生成済みのバージョンがない場合は、以下で作成できます [アプリ内で](https://docs.roboflow.com/datasets/versions/dataset-versions/create-a-dataset-version) または [API経由で](https://docs.roboflow.com/datasets/versions/dataset-versions/create-a-dataset-version#python-sdk).

こちらのドキュメントを参照してください： [API経由でバージョンを読み込む方法](https://docs.roboflow.com/datasets/versions/dataset-versions#view-a-version) 、または以下の例を参照してください。
{% endhint %}

カスタム重みをアップロードするには、 `version.deploy()` メソッドをPython SDKで使用します。

**使用方法**

```python
version.deploy(
    model_type="yolov8",  # モデルの種類
    model_path="path/to/model",  # モデルディレクトリへのパス
    filename="weights/best.pt"  # 重みファイルへのパス（既定）
)
```

**パラメータ**

| パラメータ        | 型   | 必須  | 説明                                   |
| ------------ | --- | --- | ------------------------------------ |
| `model_type` | str | はい  | デプロイするモデルの種類。例： `yolov8`, `yolov11`. |
| `model_path` | str | はい  | モデルの重みを含むディレクトリへのパス。                 |
| `filename`   | str | いいえ | 重みファイル名。既定値は `weights/best.pt`.      |

**例**

```python
from roboflow import Roboflow

rf = Roboflow(api_key="YOUR_API_KEY")
project = rf.workspace().project("PROJECT_ID")

#weights_filename を指定できます。既定値は "weights/best.pt" です
version = project.version(VERSION_ID)

#例1 - yolov8モデルではディレクトリパスは "training1/model1.pt" です
version.deploy("yolov8", "training1", "model1.pt")

#例2 - yolov8モデルではディレクトリパスは "training1/weights/best.pt" です
version.deploy("yolov8", "training1")
```

**重要な注意事項**

{% hint style="info" %}
1つのバージョンに複数のアップロード済みモデルを含めることができます。こちらを参照してください [バージョン、学習、モデル](https://docs.roboflow.com/models/ja/versions-trainings-and-models.md) バージョン上のモデルがどのように扱われるかについて。
{% endhint %}

## CLI

CLIのインストール方法については、こちらを参照してください [CLIのインストールとセットアップ](https://docs.roboflow.com/reference/platform/cli/install-and-set-up-the-cli).

**認証**

CLIコマンドを使用する前に、Roboflowで認証する必要があります：

1. 認証コマンドを実行します： `roboflow login`
2. 端末に表示されたURLにアクセスします： <https://app.roboflow.com/auth-cli>
3. ウェブサイトから認証トークンを取得します
4. トークンを端末に貼り付けます

認証情報は自動的に次に保存されます `~/.config/roboflow/config.json`

**モデル重みのアップロード**

Roboflow CLIには、学習済みモデルの重みをRoboflowプロジェクトにアップロードするコマンドがあります。これは、カスタム学習したモデルをRoboflowにデプロイしたい場合に便利です。

**基本的な使い方**

{% code overflow="wrap" %}

```bash
roboflow upload_model -w <workspace> -p <project> -t <model_type> -m <model_path> [-v <version>] [-f <filename>] [-n <model_name>]
```

{% endcode %}

**パラメータ**

| フラグ                    | 必須   | 説明                                                                |
| ---------------------- | ---- | ----------------------------------------------------------------- |
| `-w, --workspace`      | いいえ  | ワークスペースIDまたはURL。既定ではデフォルトのワークスペースが使用されます。                         |
| `-p, --project`        | はい   | アップロード先のプロジェクトID。バージョンなしモデルを複数のプロジェクトにアップロードするには、このフラグを繰り返し指定します。 |
| `-t, --model_type`     | はい   | モデルタイプ。例： `yolov8`, `paligemma2`, `rfdetr-medium`.                |
| `-m, --model_path`     | はい   | 学習済みモデルファイルを含むディレクトリへのパス。                                         |
| `-v, --version_number` | いいえ  | モデルを紐づけるデータセットのバージョン。                                             |
| `-f, --filename`       | いいえ  | モデルファイル名。既定値は `weights/best.pt`.                                  |
| `-n, --model_name`     | 条件付き | モデル名。バージョンなしモデルのデプロイで必須です。                                        |

**例**

<pre class="language-bash" data-overflow="wrap"><code class="lang-bash"># 1. 特定のバージョンにモデルをアップロードします： 
<strong>roboflow upload_model -w my-workspace -p my-project -v 1 -t yolov8 -m ./weights
</strong>
# 2. バージョンなしモデルを複数のプロジェクトにアップロードします：
roboflow upload_model -w my-workspace -p project1 -p project2 -t yolov11 -n my-model-v1 -m ./weights
# 3. バージョンなしのRF-DETR mediumモデルを単一プロジェクトにアップロードします： 
roboflow upload_model -w my-workspace -p my-project -t rfdetr-medium -n my-model-name -m ./ -f weights.pt
</code></pre>

## 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他で学習した重みをアップロードできます：

<table data-search="false"><thead><tr><th width="290">ツール</th><th>説明</th></tr></thead><tbody><tr><td><code>models_upload_custom_weights</code></td><td>ローカルで学習した重みをRoboflowにアップロードするための手順を取得します。</td></tr></tbody></table>

## 次のステップ

1. Roboflowの「Models」タブでモデルを確認してください
2. 以下を使ってローカルでモデルを実行します [Roboflow Inference Server](https://docs.roboflow.com/deployment/self-hosted/self-hosted).
3. こちらを確認してください [デプロイオプション](https://docs.roboflow.com/deployment).
