サポートされているモデル

Roboflow でデプロイできるすべてのモデル。

Roboflowを使うと、物体検出、セグメンテーション、分類、キーポイント、マルチモーダルの各モデルをデプロイできます。学習済みのモデルは、次のもので参照されます。モデルID.

これらのモデルは、次の方法でデプロイできます。 Workflows を使用して：

下の表は、一般的なモデルと、学習への対応状況を示しています。モデル重みのアップロードとモデル重みのエクスポート/ダウンロード、およびServerless Cloud APIへのデプロイ。

この表は、Serverless Cloud APIでデプロイできるモデルを示しています。

モデルがServerless Cloud APIでサポートされていない場合は、次のいずれかでデプロイする必要があります。専用デプロイメント GPUを使うか、Roboflow Inferenceを使って自分のハードウェア上で実行します。

すべてのモデルは、次と組み合わせて使用できます。 Batch Processing.

マルチモーダルモデルを使用する場合は、最適なパフォーマンスを得るため、GPUを構成した専用デプロイまたはバッチ処理の使用を推奨します。

物体検出

インスタンスセグメンテーション

キーポイント検出

セマンティックセグメンテーション

モデル

タスク種別

Roboflowで学習可能？

モデル重みのアップロードに対応？

モデル重みのエクスポートに対応？

Serverless Cloud APIでサポート

マルチモーダル

OCR

その他

Workflowsでサポートされるモデル

上記のすべてのモデルはWorkflowsで実行でき、さらにSegment Anything 2、CLIP、OpenAIのGPTモデルなども実行できます。 Workflowで実行できるモデルの完全な一覧をご覧ください。

基盤モデル

基盤モデルは非常に大規模で汎用的なデータセットで学習されているため、何も学習させなくてもそのまま使えます。たとえばOpenAIのCLIPは4億組以上の画像とテキストのペアで学習されており、幅広い分野にわたって画像の分類や比較を行えます。

Roboflowは、セグメンテーション、ゼロショット検出、埋め込み、OCR、深度推定、視覚的質問応答向けの基盤モデルをサポートしています。このページに掲載されているすべてのモデルはHTTP経由で呼び出せるため、各モデルを自分でセットアップしたり設定したりする必要はありません。

一般的な用途：

ゼロショット検出とセグメンテーション。 SAM3, Grounding DINO, YOLO-World、および OwlV2 学習データなしで、テキストプロンプトや1つの例から対象を見つけます。
自動ラベリング。 ゼロショットモデルでデータセットにラベルを付け、その後、用途に合わせて微調整された、より小さく高速なモデルを学習します。
埋め込み。 CLIP と Perception Encoder 画像とテキストをベクトルに変換し、クラスタリング、重複排除、コンテンツモデレーション、データセット検索に利用します。
画像の読み取りと説明。 Florence 2, Qwen3-VL, Moondream2、および OCRモデル画像について質問に答え、テキストを抽出します。

学習済みモデル

Roboflowは、次のような短い別名でCOCO学習済みチェックポイントを提供しています。 rfdetr-small と yolov8n-640。モデルIDが受け入れられる場所ではどこでも別名を指定でき、学習もプロジェクト設定も不要です。事前学習済みモデルのエイリアスで一覧全体をご覧ください。

独自モデルの実行

自分で学習したモデル（またはアップロードした重みを実行するには、そのモデルIDが必要です。 Roboflowダッシュボードを開き、モデルを選択して、サイドバーの「Deploy」をクリックするとIDを確認できます。形式は次のとおりです。 {workspace}/{project}/{version}.

次に、これを次のように渡します。 model_id:

import os
from inference_sdk import InferenceHTTPClient

client = InferenceHTTPClient(
    api_url="https://serverless.roboflow.com",
    api_key=os.environ["ROBOFLOW_API_KEY"],
)

results = client.infer("image.jpeg", model_id="taylor-swift-records/3")
print(results["predictions"] )

from inference import get_model

model = get_model(model_id="taylor-swift-records/3")

results = model.infer("image.jpeg")[0]
print(results.predictions)

結果を supervision と一緒に読み込み、 sv.Detections.from_inference(results) で可視化します。

コミュニティモデル

Roboflow Universe は、欠陥検出からスポーツ分析、野生動物の識別まで、他のRoboflowユーザーが公開した5万以上のモデルを提供しています。UniverseのモデルIDは自分のモデルIDとまったく同じように使えます。詳細は Universeでモデルを見つける.

ライセンス

Roboflowでサポートされるモデルは、上流プロジェクトのライセンスに従います。 Roboflowのライセンスで、Roboflow Inferenceとそれが提供するモデルのライセンスについて確認してください。

前へ事前学習済みモデルのエイリアス次へRF-DETR

最終更新 4 日前

役に立ちましたか？

import os
from inference_sdk import InferenceHTTPClient

client = InferenceHTTPClient(
    api_url="https://serverless.roboflow.com",
    api_key=os.environ["ROBOFLOW_API_KEY"],
)

results = client.infer("image.jpeg", model_id="taylor-swift-records/3")
print(results["predictions"] )