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 の外で学習した重みをアップロード

カスタムモデルの学習が完了したら、モデルの重みを Roboflow プロジェクトに再アップロードして、以下を活用してください: Roboflow Inference.

Roboflow でモデルを学習するには、以下を参照してください: モデルを学習する.

モデルサポート

以下を参照してください: 対応モデル表 重みのアップロード互換性の詳細について。

• YOLOv8 モデルは以下で学習する必要があります: ultralytics==8.0.196

• YOLOv9 モデルは以下を使って学習およびアップロードする必要があります: ultralytics 以下から: https://github.com/WongKinYiu/yolov9

• YOLOv10 モデルは以下を使って学習およびアップロードする必要があります: ultralytics 以下から:

  https://github.com/THU-MIG/yolov10

• YOLOv11 モデルは以下で学習する必要があります: ultralytics<=8.3.40

• YOLOv12 モデルは以下を使って学習およびアップロードする必要があります: ultralytics 以下から: https://github.com/sunsmarterjie/yolov12

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するリアルタイム推論を求めているのか（小さめのモデルを使う方がよい）、あるいは収集後のデータを処理していて、より高い予測精度を重視するのか（大きめのモデルを選ぶ）を検討してください。

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 つの異なる方法を提供しており、それぞれ異なるユースケースと組織上のニーズに対応します。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したいか、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へ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 には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

  • 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:

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:

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、数字とハイフンを使用可能）
    filename="weights/best.pt"  # 重みファイルへのパス（デフォルト）
)

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 つの英字を含む必要があり、数字とハイフンを使用できます。
filename	str	いいえ	重みファイル名。デフォルトは weights/best.pt.

例

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

バージョン付きカスタム重みのアップロードでは、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、以下のいずれかで作成できます アプリ内で または API.

以下のドキュメントを参照してください: API を使ってバージョンを読み込む方法 、または以下の例を参照してください。

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

使用方法

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（デフォルト）
)

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。デフォルトは weights/best.pt.

例

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。デフォルトは "weights/best.pt" です
version = project.version(VERSION_ID)

# 例1 - ディレクトリのパスは YOLOv8 モデルで "training1/model1.pt"
version.deploy("yolov8", "training1", "model1.pt")

# 例2 - ディレクトリのパスは YOLOv8 モデルで "training1/weights/best.pt"
version.deploy("yolov8", "training1")

重要な注意点

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。以下を参照してください: バージョン、トレーニング、モデル バージョン上のモデルの参照方法について。

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. ターミナルに表示された URL にアクセスしてください: https://app.roboflow.com/auth-cli

3. ウェブサイトで認証トークンを取得してください

4. トークンをターミナルに貼り付けてください

資格情報は自動的に以下に保存されます ~/.config/roboflow/config.json

モデルの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。

基本的な使用方法

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

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。デフォルトは既定のワークスペースです。
-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ます。
-t, --model_type	はい	モデルの種類。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。デフォルトは 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には必須です。

例

# 1. 特定のバージョンにモデルをアップロード: 
roboflow upload_model -w my-workspace -p my-project -v 1 -t yolov8 -m ./weights

# 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:
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 1 つのプロジェクトにアップロード: 
roboflow upload_model -w my-workspace -p my-project -t rfdetr-medium -n my-model-name -m ./ -f weights.pt

MCP サーバー

AI エージェントを以下に接続すると MCP サーバー 、これらのツールを使って他の場所で学習した重みをアップロードできます:

ツール	説明
models_upload_custom_weights	ローカルで学習した重みを Roboflow にアップロードする手順を取得します。

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.

3. 以下を確認してください: デプロイオプション.