> 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/xue-xi/train-a-model.md).

# モデルをトレーニング

Roboflow ダッシュボードで最先端技術を使ってモデルを学習します。

## 概要

Roboflowのインターフェースでコンピュータービジョンモデルをトレーニングできます。

Roboflowでは、次の2つのトレーニング方法を利用できます。

* Roboflow Custom Train：本格的な運用に適したモデルの作成に最適な、当社の主力トレーニングサービスです。
* [Neural Architecture Search](https://docs.roboflow.com/models/ja/xue-xi/neural-architecture-search.md)：新しいモデルアーキテクチャを見つけ出し、同時にファインチューニングできます。

最初の画像アノテーションのバッチを承認すると、 **Roboflow Instant Model** も自動的にトレーニングされます。これらのモデルは、オートラベリングやデプロイにすぐに使用できます。

Roboflowでトレーニングしたモデルは、オンデバイス推論サーバーのInferenceでデプロイできるほか、Workflowsを使用したServerless Cloud API、Workflowsを使用したバッチ処理、またはモデルAPIエンドポイントを使用してクラウドにデプロイできます。

{% hint style="info" %}
Roboflowでトレーニングしたモデルのライセンスについて詳しくは、 [ライセンスに関するガイダンス](https://roboflow.com/licensing) をご覧ください。各アーキテクチャのライセンスとRoboflowでのデプロイに含まれる内容については、 [モデルライセンス](https://docs.roboflow.com/models/ja/model-licenses.md) をご覧ください。
{% endhint %}

### モデルアーキテクチャ

トレーニングできるアーキテクチャは、プロジェクトの種類によって異なります。詳しくは、 [サポート対象モデルの表](https://docs.roboflow.com/models/ja/supported-models.md).

* 物体検出：RF-DETRは最高の精度を実現します。
* インスタンスセグメンテーション：RF-DETR Seg（プレビュー）は最高の精度を実現します。
* キーポイント検出：「Roboflow RF-DETR Pose」はまず各オブジェクトを検出し、次にそのキーポイントを予測します。各段階のモデルサイズを選択できます。
* セマンティックセグメンテーション：RF-DETRはNanoから2XLまで利用できます。

モデルサイズはアーキテクチャによって異なります（例：RF-DETRではNano、Small、Medium、Large、XL、2XLを選択できます）。無料プランを含むCoreでは、より大きなモデルサイズを利用できます。 [SAM3](https://docs.roboflow.com/models/ja/supported-models/sam3.md) モデルのトレーニングは、Coreで [クレジット制の課金](https://docs.roboflow.com/platform/billing-and-plans#credits).

RF-DETRはApache 2.0ライセンスで公開されているため、ライセンス料の支払いやコードのオープンソース化をせずに、セルフホスト型のデプロイを含むクローズドソースの商用製品で利用できます。RF-DETR XLおよび2XLの物体検出、RF-DETRのセマンティックセグメンテーション、ならびにRF-DETR Poseのキーポイントモデルには、Roboflow Platform Model License（PML 1.0）が適用されます。Roboflow上でデプロイする場合は商用利用が含まれますが、商用目的でセルフホストするにはEnterpriseアドオンが必要です。YOLOアーキテクチャ（例：YOLO11、YOLO26）はAGPL-3.0です。Roboflow上でデプロイする場合は、すべてのユーザーに商用ライセンスが含まれます。商用目的のセルフホストにはEnterpriseアドオンが必要です。詳しくは、 [モデルライセンス](https://docs.roboflow.com/models/ja/model-licenses.md).

[Neural Architecture Search](https://docs.roboflow.com/models/ja/xue-xi/neural-architecture-search.md) （NAS）は、物体検出、インスタンスセグメンテーション、セマンティックセグメンテーションで、単一のアーキテクチャに代わる選択肢として利用できます。複数のモデル構成をトレーニングして評価し、精度とレイテンシの要件に最適な構成を推奨します。NASには、検証用画像が15枚以上必要です。詳しくは、 [NASトレーニングのグラフ](https://docs.roboflow.com/models/ja/ping-si/training-results.md#nas-training-charts).

### チェックポイント

チェックポイントからトレーニングする場合は、 [転移学習](https://blog.roboflow.com/what-is-transfer-learning/)が使用されます。モデルは選択したモデルの重みを初期値として開始するため、トレーニング時間を短縮し、スコアを向上できる場合があります。物体検出では、次の3つの選択肢があります。

* 前のチェックポイント：モデルの以前のバージョンから開始します（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）。トレーニングが速くなります。そのモデルの性能がすでに十分な場合にのみ使用してください。
* パブリックチェックポイント：デフォルトの設定で、Microsoft COCOを使ってトレーニングされています。最初のモデルを作成するときや、前回の実行で期待した結果が得られなかったときに使用します。Universeのプロジェクトからトレーニングすることもできます（物体検出のみ）。その場合は、まず [Universeでスターを付けてください](https://blog.roboflow.com/launch-universe-model-checkpoint/).
* ランダム初期化：転移学習を行わず、ランダムな重みから開始します。上級者向けの方法で、ほとんどの場合、結果は悪くなります。

分類とセマンティックセグメンテーションで使用できるチェックポイントは1つで、ImageNetを使ってトレーニングされています。

### クレジット上限を設定する

1回のトレーニングで使用するクレジット数に上限を設定できます。上限を設定するには、 [従量課金](https://docs.roboflow.com/platform/billing-and-plans#credits)に対応したプランが必要です。上限なしで実行する場合は、欄を空白のままにしてください。

実行が上限に達すると、Roboflowはトレーニングを停止し、モデルの重みを保持します。これは、 [トレーニングを途中で停止する場合](https://docs.roboflow.com/models/ja/xue-xi/cancel-a-training-job.md)と同じです。ジョブの実行中は、設定した上限のうち何クレジットを使用したかが表示されます。

モデルごとに最小上限が定められています。これは、モデルを生成できる最短の実行にかかるコストです。これより低い上限は設定できません。コストの見積もりより低い上限も設定できますが、完了前に実行が停止する可能性が高くなります。

[Neural Architecture Search](https://docs.roboflow.com/models/ja/xue-xi/neural-architecture-search.md) では、トレーニングとアーキテクチャ検索が別々に課金されるため、それぞれに上限があります。一方に上限を設定しても、もう一方のフェーズは上限なしで実行されます。

上限を設定した実行がクレジットを残して停止した場合は、その実行を続行できます。新しい実行では、上限内の残りのクレジットを使用できます。残りがモデルの最小必要量に満たない場合は、新しいトレーニングを開始してください。

### 所要時間と費用

トレーニング料金は、トレーニングジョブの実行時間に基づいて決まります。詳しくは [クレジットのページ](https://www.roboflow.com/credits)をご覧ください。学生や研究者は、 [追加クレジットを申請](https://roboflow.com/contribute).

できます。データセットや画像のサイズが大きいほど、トレーニングに時間がかかります。トレーニングが完了するとメールで通知されます。通常は24時間以内に完了します。

以下を使用してトレーニングしたアクション認識モデルのバージョン [Cosmos 3 Edge](https://docs.roboflow.com/models/ja/supported-models/cosmos-3-edge.md) の推定値は、画像ではなく動画を基に算出されます。推定値には、バージョン内の動画数、各動画の長さ、実行時の動画サンプリング設定が反映されるため、設定を変更すると推定値も変わります。バージョンに動画の詳細情報がない場合、推定値は表示されません。V-JEPA 2.1のトレーニングでは推定値は表示されません。

### 1つのバージョンで複数のモデルをトレーニングする

同じデータセットバージョンを使って複数のモデルをトレーニングし、同一のデータでアーキテクチャやサイズを比較できます。トレーニングと評価はそれぞれ独立して実行され、バージョンページにはすべてのトレーニングが一覧表示されるため、切り替えて確認できます。

### Agentからトレーニングする

トレーニングは [Roboflow Agent](https://docs.roboflow.com/agents/roboflow-agent)から開始できます。プロジェクトのタブを開いて「Train」をクリックするか、チャットで依頼してください。Train ModelとList Versionsの権限が必要です。

チャットでの依頼によってトレーニングが始まる前に、Agentはその設定での所要時間とクレジット費用の見積もりを表示します。トレーニングは早期に停止することが多いため、通常の費用と、すべてのエポックを実行した場合の費用が表示されます。確認するまで処理は開始されません。また、実行開始前に全エポック実行時の見積もりが変わった場合は、新しい金額について確認を求められます。一部のモデル（例: PatchCore、FoundAD）は、開始前に見積もりを算出できません。この場合、Agentは費用が不明であることを伝え、開始前に確認を求めます。バージョンがまだエクスポートされていない場合、Agentが先にエクスポートし、準備ができてからトレーニングを開始します。プロジェクトにバージョンがない場合は、同じ画面から作成できます。

バージョンを作成したりトレーニングを開始したりする前に、Agentはtrain、valid、testの各分割を確認します。画像が誤った分割に入っている場合、Agentは再バランスするかどうかを尋ね、新しい件数を表示します。再バランスが行われるのは、承認した場合のみです。承認しない場合、トレーニングは開始されません。

モデルを比較するには、1つのデータセットバージョンで複数のモデルをトレーニングするようAgentに依頼します。各実行の入力サイズ、前処理、拡張、ハイパーパラメーターを設定することも、モデルのデフォルト設定を使うこともできます。モデルまたは設定だけを変更した場合、Agentは同じバージョンを再利用し、データを変更した場合は新しいバージョンを作成します。すべての見積もりをまとめて表示し、各実行を同時にトレーニングするか、順番にトレーニングするかを一度に確認します。

## Webアプリ

プロジェクトのナビゲーションで「Train」を開き、「Custom Training」をクリックします。

<figure><img src="https://1194881119-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2Fcmo9mhfIjYrvFFy1U7dk%2Fuploads%2Fgit-blob-2d1f17a9d0b43e75da368beb4042aae04ffb3c74%2Fimage%20(469).png?alt=media" alt=""><figcaption></figcaption></figure>

<figure><img src="https://1194881119-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2Fcmo9mhfIjYrvFFy1U7dk%2Fuploads%2Fgit-blob-1be2ba90f2fff0ea791352cb97bf033c4215651e%2Fimage%20(470).png?alt=media" alt=""><figcaption></figcaption></figure>

1. トレーニングエンジンを選択します。単一のアーキテクチャまたはNASを選べます。
2. アーキテクチャとサイズを選択します。リストには、プロジェクトの種類でサポートされているアーキテクチャのみが表示されます。SAM3は、Workspaceで利用可能になるまで「Request Feature」ボタンが表示されます。
3. データを選択します。先にバージョンを作成する必要はありません。「Current Dataset」では最新の画像とアノテーションが使用され、トレーニング開始時にRoboflowがカード上の名前と分割設定でバージョンを作成します。保存済みバージョンでは、その中に固定されたデータが使用されます。
4. 必要に応じて「Customize Training Recipe」を調整します。ここには「Training Preprocessing」、「Online Augmentations」、「Checkpoint」、「Hyperparameters」、およびNASの場合は「Latency Band」が含まれます。
5. 必要に応じて「Credit Cap」を入力します（NASの場合は「Training Credit Cap」と「Search Credit Cap」）。入力欄の下にモデルの最小必要量が表示されます。詳しくは [クレジット上限を設定する](#set-a-credit-cap).
6. トレーニングの概要で所要時間とクレジット費用の見積もりを確認し、「Start Training」をクリックします。

<figure><img src="https://1194881119-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2Fcmo9mhfIjYrvFFy1U7dk%2Fuploads%2Fgit-blob-08cf55061739c4354386d454051aaa68ffbf5b02%2Fimage%20(472).png?alt=media" alt=""><figcaption></figcaption></figure>

<figure><img src="https://1194881119-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2Fcmo9mhfIjYrvFFy1U7dk%2Fuploads%2Fgit-blob-18d9396cb8b4f7bf0e73319da14e3cb287251177%2FScreenshot%202025-05-14%20at%2014.12.53.png?alt=media" alt=""><figcaption></figcaption></figure>

保存済みバージョンの設定を使って開始するには、そのカードの「Reuse Preprocessing and Augmentations」（baked trainingの場合は「Copy Preprocessing and Augmentations to Current Dataset」）をクリックします。これにより、前処理、拡張、クラスの再マッピング、タグフィルターが「Current Dataset」にコピーされ、編集できるようになります。

保存済みバージョンを使用する場合、バージョン生成時に適用済みのため、レシピの前処理と拡張の項目はロックされます。それ以外の場合、「Training Preprocessing」と「Online Augmentations」はその実行にのみ適用され、バージョンは変更されません。モデルで使用された設定を確認するには、バージョンページでモデルを選択し、「Training Recipe」カードを開きます。

YOLOおよびRF-DETRの物体検出モデルとインスタンスセグメンテーションモデルでは、「Online Augmentations」に、選択したモデルに推奨される一連の処理が初期設定されています。変更した場合は、「Reset to Recommended」をクリックすると元に戻せます。物体検出とインスタンスセグメンテーションでは、「Affine」処理（ランダムなズーム、平行移動、回転、せん断、透視変換）も利用できます。物体検出では、「Mosaic」に「Expanded canvas」オプションが追加されます。このオプションは、トレーニングサイズの2倍のキャンバス上に4枚の画像を配置します。「Affine」と併用すると、トレーニングサイズに合わせて切り抜けます。

## HTTP API

プロジェクトにデータセットバージョンが生成されていれば、そのバージョンでトレーニングジョブをキューに登録できます。呼び出しに使用するAPIキーには、 `training-job:create` スコープが必要です。

### トレーニングジョブを開始する

データセットバージョンでトレーニングジョブをキューに登録します。トレーニングはバックグラウンドで実行されます。応答はジョブがキューに登録されたことを示すものであり、完了を意味しません。応答にトレーニングIDは含まれません。進捗を確認するには、 `204` 「トレーニング結果を取得する」をポーリングするか、 [トレーニング結果を取得する](https://docs.roboflow.com/models/ja/ping-si/training-results.md#http-api)、または [バージョンのトレーニング一覧を取得して](https://docs.roboflow.com/models/ja/model-ids.md#http-api) 新しいトレーニングを見つけてください。

バージョンがトレーニング可能な状態でない場合、 `400` エラーには修正内容を示す `remedy` が含まれるため、スクリプトやエージェントはメッセージを読み取らずに対処できます。プランの上限はWebアプリと同じように適用されます。

{% openapi src="/files/dcbd935399d52f4a63b56fcecf5b25782856bb21" path="/{workspace}/{project}/{version}/train" method="post" %}
[trainings.yaml](https://1194881119-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2Fcmo9mhfIjYrvFFy1U7dk%2Fuploads%2Fgit-blob-4028116544554a08ca7a36c2a7e2a8ecde4e69e3%2Ftrainings.yaml?alt=media)
{% endopenapi %}

### トレーニングを開始してIDを取得する

「トレーニングジョブを開始する」と同じフィールドを受け取り、新しい `trainingId`を返します。1つのバージョンに複数のトレーニングがある場合に、このIDを使えば、後から対象のトレーニングを停止、キャンセル、または参照できます。

{% openapi src="/files/dcbd935399d52f4a63b56fcecf5b25782856bb21" path="/{workspace}/{project}/{version}/v2/trainings" method="post" %}
[trainings.yaml](https://1194881119-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2Fcmo9mhfIjYrvFFy1U7dk%2Fuploads%2Fgit-blob-4028116544554a08ca7a36c2a7e2a8ecde4e69e3%2Ftrainings.yaml?alt=media)
{% endopenapi %}

## Python SDK

`Version.train()` はRoboflowプラットフォームでトレーニングをスケジュールします。この呼び出しはジョブがキューに登録されると戻り、トレーニング自体は非同期で実行されます。

```python
import roboflow

rf = roboflow.Roboflow(api_key="YOUR_API_KEY")
project = rf.workspace().project("my-detector")

# まだバージョンがない場合は、前処理と拡張を設定してバージョンを作成します。
new_version = project.generate_version({
    "preprocessing": {
        "auto-orient": True,
        "resize": {"width": 640, "height": 640, "format": "Stretch to"},
    },
    "augmentation": {},
})
version = project.version(new_version)

# トレーニングをスケジュールします。
model = version.train(
    model_type="rfdetr-nano",   # 完全な一覧をエラーで取得するには、無効な値を指定します
    checkpoint=None,             # 省略可: 以前のチェックポイントから再開します
    epochs=100,                  # 省略可: デフォルト値はモデルタイプによって異なります
    plot_in_notebook=False,      # トレーニングの進行状況を示すプロットを表示します（ノートブックのみ）
)
```

### パラメーター

* `model_type` (str) - アーキテクチャ識別子。一般的な値: `rfdetr-nano`, `rfdetr-base`, `yolov8`, `yolov11`。プロジェクトの種類によって異なります。完全な一覧をエラーで取得するには、無効な値を指定します。
* `speed` (str、省略可) -  `"fast"` （デフォルト）または `"accurate"`。高精度トレーニングは有料機能です。
* `checkpoint` (str、省略可) - 再開元のチェックポイントID。
* `epochs` (int、省略可) - エポック数。デフォルト値はモデルタイプによって異なります。
* `plot_in_notebook` (bool、デフォルト値 `False`) - トレーニングの進行状況をインライン表示します（ノートブックのみ）。

### トレーニング後

トレーニングが完了すると、 `Version`の `.model` プロパティからホストされたモデルを取得できます。

```python
predictions = version.model.predict("photo.jpg", confidence=40, overlap=30).json()
```

詳しくは、 [画像でモデルを実行する](https://docs.roboflow.com/deployment/roboflow-cloud/serverless-api#python-sdk) 推論の完全なリファレンスについては、こちらをご覧ください。

## CLI

コマンドラインからモデルのトレーニングを開始できます。トレーニングはRoboflowのクラウドインフラストラクチャ上で実行されます。

### コマンド

```bash
roboflow train start -p <project> -v <version> -t <model-type>
```

または、短縮形を使用できます（ `start`):

```bash
roboflow train -p <project> -v <version> -t <model-type>
```

#### オプション

| フラグ               | 説明                                 |
| ----------------- | ---------------------------------- |
| `-p`, `--project` | プロジェクトID（必須）                       |
| `-v`, `--version` | バージョン番号（必須）                        |
| `-t`, `--type`    | モデルタイプ。例： `yolov8n`, `rfdetr-nano` |
| `--checkpoint`    | トレーニングの再開元となるチェックポイント              |
| `--speed`         | トレーニング速度のプリセット                     |
| `--epochs`        | トレーニングエポック数                        |

### 使用例

特定のモデルタイプでトレーニングを開始します：

```bash
roboflow train start -p my-detector -v 3 -t yolov8n
```

チェックポイントから再開します：

```bash
roboflow train start -p my-detector -v 3 -t yolov8n --checkpoint my-checkpoint
```

### JSON出力

```bash
roboflow train start -p my-detector -v 3 -t yolov8n --json
```

```json
{
  "status": "training_started",
  "project": "my-detector",
  "version": 3
}
```

## 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、次のツールを使ってモデルをトレーニングできます：

<table data-search="false"><thead><tr><th width="290">ツール</th><th>説明</th></tr></thead><tbody><tr><td><code>trainings_describe_recipe</code></td><td>モデルタイプのチューニングオプションを説明し、そのまま送信できるレシピを返します。</td></tr><tr><td><code>trainings_create</code></td><td>データセットのバージョンを使ってトレーニングを開始します。</td></tr><tr><td><code>trainings_get</code></td><td>トレーニングのステータス、生成されたモデル、メトリクスを取得します。</td></tr><tr><td><code>trainings_list</code></td><td>データセットのバージョンに対するトレーニング実行の一覧を表示します。</td></tr></tbody></table>

## 次のステップ

* [トレーニングジョブを停止またはキャンセルする](https://docs.roboflow.com/models/ja/xue-xi/cancel-a-training-job.md).
* モデルのパフォーマンスを確認し、トレーニング実行を比較します。詳細は、 [トレーニング済みモデルの評価](https://docs.roboflow.com/models/ja/ping-si/evaluate-trained-models.md).
* モデルをデプロイするには、 [サーバーレス クラウド API](https://docs.roboflow.com/deployment/roboflow-cloud/serverless-api).
