> 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/ping-si/training-results.md). # 学習結果を表示 ## 概要 Roboflow は、プラットフォーム上で学習したすべてのモデルに対して学習グラフと要約指標を生成し、実行中のジョブを監視したり、完了後に生成されたモデルを評価したりできるようにします。表示される指標はプロジェクトの種類によって異なります。物体検出では precision、recall、mAP、分類では accuracy、セグメンテーションとキーポイントモデルでは mAP、マルチモーダルモデルでは perplexity が表示されます。アプリケーションに組み込む前に、サンプル画像や独自の画像で学習済みモデルをテストすることもできます。 学習グラフを使うと、学習中のモデルの状態を確認できます。学習グラフは Roboflow で学習したすべてのモデルで利用できます。 モデルの性能を要約する指標も表示されます。 表示される指標はモデルの種類によって異なります: * 物体検出プロジェクトでは、モデルの precision、recall、mAP が表示されます。 * 分類プロジェクトでは accuracy が表示されます。 * セグメンテーションおよびキーポイントモデルでは mAP スコアが表示されます。 * マルチモーダルモデルでは perplexity が表示されます。 ## 学習中 モデルの学習を開始すると、学習中のモデルに関連付けられたデータセットバージョンのページにメッセージが表示されます。このメッセージでは最初に、学習用マシンが起動中であることが示されます。 バージョンに [複数の学習](/models/ja/xue-xi/train-a-model.md#train-multiple-models-on-a-version)がある場合は、バージョンページで学習を選択して、そのグラフと指標を表示します。 その後、モデルの学習に合わせて学習グラフがリアルタイムで表示されます:

モデルの学習中の学習グラフ。

### NAS 学習チャート 物体検出またはインスタンスセグメンテーションのプロジェクトで Neural Architecture Search (NAS) を用いて学習したモデルでは、標準の学習グラフの代わりに、専用のペアチャート表示が出ます: * **学習進捗バンド**: 学習エポックごとのモデル性能の範囲（上限と下限）を示す、グラデーションで塗られた帯です。任意のエポックにカーソルを合わせると、その時点の指標を確認できます。脈動するインジケーターは、ライブ学習中の現在の学習フロントを示します。 * **エポックスナップショット**: 各エポックで評価されたアーキテクチャについて、モデルのレイテンシと精度のトレードオフを示すパレート曲線です。グラデーションのスペクトルは、より高速な（明るい）モデルから、より高精度な（暗い）モデルまでを表します。 Standard および Plus NAS の実行とは異なり、Fast NAS の実行では学習中に指標の幅を報告するためのベースライン構成がないため、学習対象の単一のスーパーネットについてのみ指標を報告します。これらの実行では、ペアのバンド表示とスナップショット表示の代わりに標準の学習グラフが表示されます。 ## 学習後 モデルの学習が完了したら、学習プロセスの指標を確認できます。 学習後にモデルの学習グラフを見つけるには、まずサイドバーの Models タブをクリックします:
次に、 [学習（またはモデル）](/models/ja/versions-trainings-and-models.md) のうち、学習グラフを見たいものをクリックします。 ページを下にスクロールして、Training Graphs セクションが表示されるまで移動します:
## モデルをテストする Test ページの画像を使ってモデルをテストできます。これは、Workflows でアプリケーションロジックを構築する前に、モデルの性能を手早く確認するのに適した方法です。 Test 機能は、物体検出、セグメンテーション、分類、キーポイントモデルで利用できます。Test はマルチモーダルプロジェクトではサポートされていません。 モデルをテストするには、右側のサイドバーで「Test」をクリックします。すると Test ページが開きます:
Test ページには、テストセット内の複数の画像が表示され、そこから選んでモデルで実行できます。自分の画像や動画をアップロードしたり、Web カメラで試したりすることもできます。 モデルのデプロイ手順を確認するには、Try on My Machine をクリックします。Roboflow Workflows でモデルをデプロイすることもできます。 ## HTTP API ### 学習結果を取得 データセットバージョンの学習結果を取得します。NAS（Neural Architecture Search）学習実行では、すべての子モデル、それらの指標、ハードウェア固有の推奨設定、マイニングフロンティアのデータを含むバンドル表示を返します。標準のファインチューニング実行では、最小限の要約を返します。 このエンドポイントは複数の読み取りを 1 回の呼び出しにまとめるため、モデルデータを個別に取得する必要はありません。 #### エンドポイント ``` GET /:workspace/:project/:version/training/results ``` **認証:** 次の権限を持つ API キーが必要です: `version.read` スコープが必要です。 #### リクエスト ```bash curl "https://api.roboflow.com/{workspace}/{project}/{version}/training/results?api_key=$ROBOFLOW_API_KEY" ``` #### レスポンス（NAS 学習） ```json { "trainingId": "my-workspace/my-project/5", "versionId": "5", "status": "finished", "jobType": "nas", "modelType": "rfdetr-nas-parent", "modelGroup": "rfdetrNasGroup-2026-04-01", "modelCount": 8, "recommendedByHardware": { "jetson-orin-nano": "nas-child-1", "t4": "nas-child-2" }, "mining": { "mining": { "progress": 0.42, "frontier": [{"name": "subnet-1", "mAP": 0.81}] }, "baseline": [{"modelTypeDisplay": "rfdetr-nas-S"}] }, "models": [ { "modelId": "nas-child-1", "modelType": "rfdetr-nas-S", "status": "finished", "nasFamily": "child", "metrics": { "map50": 81, "map5095": 64, "f1": 78, "hardware": "jetson-orin-nano", "latency": 12.4, "paretoOptimalFor": ["jetson-orin-nano"] }, "recommended": true } ] } ``` #### レスポンス（ファインチューニング学習） NAS 以外の学習実行では、レスポンスは最小限のバンドルです: ```json { "trainingId": "my-workspace/my-project/3", "versionId": "3", "status": "finished", "jobType": "fine-tune", "modelGroup": null, "modelCount": 0, "models": [] } ``` #### レスポンス項目 | フィールド | 型 | 説明 | | ----------------------- | ----------- | --------------------------------------------------- | | `trainingId` | 文字列 | 次の複合 ID です `workspace/project/versionId` 形式 | | `status` | 文字列 | 学習ステータス（例: `完了`, `実行中`, `失敗`) | | `jobType` | 文字列 | `nas` NAS 実行の場合、 `fine-tune` 標準学習の場合 | | `modelType` | 文字列 | 学習に使用したモデルアーキテクチャ | | `modelGroup` | 文字列 \| null | NAS の子モデルのグループ識別子。 `null` NAS 以外の実行では | | `modelCount` | 数値 | 学習実行で生成されたモデル数 | | `recommendedByHardware` | オブジェクト | ハードウェアターゲットごとに、そのターゲットに推奨されるモデル ID を対応付けたマップ。NAS のみ | | `mining` | オブジェクト | 利用可能な場合は、マイニングフロンティアとスナップショットのデータ。NAS のみ | | `models` | 配列 | モデルごとの要約（下記参照） | **モデル要約のフィールド:** | フィールド | 型 | 説明 | | ------------- | -------------- | ----------------------------------------------------------------------------------- | | `modelId` | 文字列 | 公開モデル識別子（URL スラッグ）。これは次の項目で使用されるのと同じ値です `POST /:workspace/models/:modelId/favorite` | | `modelType` | 文字列 | モデルアーキテクチャのバリエーション | | `status` | 文字列 | このモデルの学習ステータス | | `nasFamily` | 文字列 | `子` または `ベースライン`。NAS のみ | | `metrics` | オブジェクト \| null | 学習指標（mAP、レイテンシなど）。パーセンテージにスケールされています。 `null` 学習がまだ進行中の場合 | | `recommended` | 真偽値 | 存在し、 `true` このモデルが推奨候補である場合 | #### エラー | ステータス | 説明 | | ----- | -------------------------------- | | 404 | バージョンが見つかりません | | 401 | APIキーが無効、または不足しています | | 403 | APIキーに不足している `version.read` スコープ | ## 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) また、次のツールを使って学習の進み具合を確認できます:
ツール説明
trainings_getトレーニングのステータス、生成されたモデル、およびメトリクスを取得します。
trainings_listデータセットバージョンの学習実行を一覧表示します。
models_listプロジェクト内の学習済みモデルを一覧表示します。
models_get学習済みモデルの詳細を取得します。