> 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/supported-models/rf-detr.md).

# RF-DETR 物体検出

## RF-DETR 物体検出

RF-DETR は Roboflow のトランスフォーマーベースのリアルタイム検出モデルです。COCO で事前学習された物体検出チェックポイントに対して、以下を通じて推論を実行できます。 [サーバーレスホスト型 API](https://docs.roboflow.com/deployment/roboflow-cloud/serverless-api)、または次を使用してセルフホストできます [Roboflow Inference](https://docs.roboflow.com/deployment/self-hosted/self-hosted).

### コード例

以下の手順では、RF-DETR を以下を通じて実行します [サーバーレスホスト型 API](https://docs.roboflow.com/deployment/roboflow-cloud/serverless-api) そして以下で結果を可視化します [supervision](https://supervision.roboflow.com/).

{% stepper %}
{% step %}
**API キーを取得する**

Roboflow アカウントを作成し、以下でキーを見つけます： [Roboflow API 設定ページ](https://app.roboflow.com/settings/api) その後、シェルで利用できるようにします：

```bash
export ROBOFLOW_API_KEY="your-key-here"
```

{% endstep %}

{% step %}
**依存関係をインストールする**

この 2 つのパッケージは、モデルを呼び出して結果を描画します:

```bash
pip install -U inference-sdk supervision
```

{% endstep %}

{% step %}
**モデルを実行する**

実行 `rfdetr-small` をサンプル画像で実行し、ボックスとラベルに注釈を付けます:

```python
import os
import cv2
import supervision as sv
from inference_sdk import InferenceHTTPClient

image_url = "https://media.roboflow.com/quickstart/traffic.jpg"
image = sv.load_image_from_url(image_url)

client = InferenceHTTPClient(
    api_url="https://serverless.roboflow.com",
    api_key=os.environ["ROBOFLOW_API_KEY"],
)
result = client.infer(image, model_id="rfdetr-small")

detections = sv.Detections.from_inference(result)

annotated = sv.BoxAnnotator().annotate(image.copy(), detections)
annotated = sv.LabelAnnotator().annotate(annotated, detections)

cv2.imwrite("traffic-annotated.png", annotated)
```

<figure><img src="/files/0d3319da4fac80c771d4d46da43e852773640f7b" alt=""><figcaption></figcaption></figure>
{% endstep %}
{% endstepper %}

{% hint style="info" %}
設定する `api_url` をデプロイ先に合わせます：

* `https://serverless.roboflow.com` Serverless Hosted API 用。
* `http://localhost:9001` ローカルの [Inference](https://docs.roboflow.com/deployment/self-hosted/self-hosted) サーバー用。
* あなたの [専用デプロイメント](https://docs.roboflow.com/deployment/roboflow-cloud/dedicated-deployments) プライベートエンドポイント用の URL。
  {% endhint %}

### 事前学習済みモデルとベンチマーク

次のいずれかのエイリアスを `model_id` として渡してください。推論を実行する際に。SDK は各エイリアスを対応する Roboflow プロジェクトのバージョンに解決します。

<table data-search="false"><thead><tr><th>別名</th><th>入力サイズ</th><th>mAP50-95</th><th>ONNX レイテンシー (ms)*</th><th>TensorRT FP16 (ms)*</th></tr></thead><tbody><tr><td><code>rfdetr-nano</code></td><td>384x384</td><td>48.4</td><td>9.7</td><td>6.2</td></tr><tr><td><code>rfdetr-small</code></td><td>512x512</td><td>53.0</td><td>12.9</td><td>8.3</td></tr><tr><td><code>rfdetr-medium</code></td><td>576x576</td><td>54.7</td><td>16.3</td><td>9.5</td></tr><tr><td><code>rfdetr-large</code></td><td>704x704</td><td>56.5</td><td>25.6</td><td>11.6</td></tr><tr><td><code>rfdetr-xlarge</code></td><td>700x700</td><td>58.6</td><td>41.6</td><td>14.9</td></tr><tr><td><code>rfdetr-2xlarge</code></td><td>880x880</td><td>60.1</td><td>53.4</td><td>21.7</td></tr></tbody></table>

## RF-DETR インスタンスセグメンテーション

RF-DETR では、ボックスに加えてマスクも予測するインスタンスセグメンテーション用のチェックポイントも提供しています。以下を通じて実行できます [サーバーレスホスト型 API](https://docs.roboflow.com/deployment/roboflow-cloud/serverless-api)、または次を使用してセルフホストできます [Roboflow Inference](https://docs.roboflow.com/deployment/self-hosted/self-hosted).

### コード例

上記のように API キーを設定して依存関係をインストールし、次にセグメンテーションのチェックポイントを実行して、そのマスクを描画します:

```python
import os
import cv2
import supervision as sv
from inference_sdk import InferenceHTTPClient

image_url = "https://media.roboflow.com/quickstart/traffic.jpg"
image = sv.load_image_from_url(image_url)

client = InferenceHTTPClient(
    api_url="https://serverless.roboflow.com",
    api_key=os.environ["ROBOFLOW_API_KEY"],
)
result = client.infer(image, model_id="rfdetr-seg-preview")

detections = sv.Detections.from_inference(result)

annotated = sv.MaskAnnotator().annotate(image.copy(), detections)
annotated = sv.LabelAnnotator().annotate(annotated, detections)

cv2.imwrite("traffic-annotated.png", annotated)
```

<figure><img src="/files/0117d8b9131a5b3a3d9b444c73edaa32c82e78cd" alt=""><figcaption></figcaption></figure>

### 事前学習済みモデルとベンチマーク

次のいずれかのエイリアスを `model_id` 推論を実行する際に。SDK は各エイリアスを対応する Roboflow プロジェクトのバージョンに解決します。数値は COCO のマスク mAP です `val`.

<table data-search="false"><thead><tr><th>別名</th><th>入力サイズ</th><th>Mask mAP50-95</th><th>ONNX レイテンシー (ms)*</th><th>TensorRT FP16 (ms)*</th></tr></thead><tbody><tr><td><code>rfdetr-seg-nano</code></td><td>312x312</td><td>40.3</td><td>15.8</td><td>10.5</td></tr><tr><td><code>rfdetr-seg-small</code></td><td>384x384</td><td>43.1</td><td>19.3</td><td>11.9</td></tr><tr><td><code>rfdetr-seg-medium</code></td><td>432x432</td><td>45.3</td><td>23.9</td><td>14.1</td></tr><tr><td><code>rfdetr-seg-large</code></td><td>504x504</td><td>47.1</td><td>30.1</td><td>15.4</td></tr><tr><td><code>rfdetr-seg-xlarge</code></td><td>624x624</td><td>48.8</td><td>51.2</td><td>19.1</td></tr><tr><td><code>rfdetr-seg-2xlarge</code></td><td>768x768</td><td>49.9</td><td>89.6</td><td>25.6</td></tr></tbody></table>

***

\* レイテンシーは次の条件で測定されています [Roboflow Inference](https://docs.roboflow.com/deployment/self-hosted/self-hosted) 1x NVIDIA L4、バッチサイズ 1、1,000 回の推論の平均（100 回のウォームアップ）で測定。デフォルトの `inference-gpu` インストールでは CUDA 実行プロバイダー上で ONNX を実行します。以下を追加すると `inference-models[trt10]` 追加パッケージにより、ビルド済みの TensorRT FP16 エンジンが自動的に選択されます。FP16 は COCO の `val2017`で、公開されている COCO `val` 仕様に一致します（以下を参照 [RF-DETR の発表](https://blog.roboflow.com/rf-detr/)).