モデルを学習する

Roboflow ダッシュボード上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ビジョンモデルを学習できます。

Roboflowには2つの学習オプションがあります:

Roboflow Custom Train: 本番環境向けモデルの作成に最適な、当社の主力学習サービスです。
ニューラルアーキテクチャ探索: 新しいモデルアーキテクチャを発見し、同時に微調整できます。

また、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 が自動的に学習されます。これらのモデルは、すぐに自動ラベリングやデプロイに使用できます。

Roboflowで学習したモデルは、Inference（オンデバイス推論サーバー）、またはWorkflowsを使ったServerless Cloud API、Workflowsを使ったバッチ処理、あるいはモデルのAPIエンドポイントを使ってクラウドにデプロイできます。

当社のライセンスガイドを読んで、Roboflowで学習したモデルのライセンスについて詳しく知ってください。

Webアプリ

モデルを学習する

コンピュータビジョンモデルを学習するには、プロジェクトのナビゲーションで「Train」を開いてください。

学習ジョブの設定を開始するには、「Custom Training」ボタンをクリックします:

ニューラルアーキテクチャ探索（NAS）

オブジェクト検出およびインスタンスセグメンテーションのプロジェクトでは、 ニューラルアーキテクチャ探索（NAS） 単一のモデルアーキテクチャを選択する代わりに使用できます。NASは複数のモデル構成を自動的に学習・評価し、精度とレイテンシ要件に基づいて最適なものを推奨します。

NASを使用するには、学習エンジンを選ぶ際にNASオプションを選択してください。NASには少なくとも15枚の検証画像が必要です。

NASの学習チャートの詳細については、学習結果を表示.

モデルアーキテクチャを選択

次に、モデルアーキテクチャとサイズを選択する必要があります。これは、モデルの学習に使用される機械学習技術です。

学習できるモデルアーキテクチャは、設定したプロジェクトの種類によって異なります。次を参照してください: 対応モデル表学習互換性の詳細について。

オブジェクト検出ではRF-DETRが最高の精度を提供します。インスタンスセグメンテーションでは、RF-DETR Seg（プレビュー）が最高の精度を提供します。キーポイント検出では、RF-DETR Keypoint（プレビュー）も利用できます。

モデルサイズは、選択したモデルのアーキテクチャによって異なります。たとえば、最先端のオブジェクト検出モデルであるRF-DETRでは、Nano、Small、Medium、Baseを選べます。Medium、Large、Extra Largeは有料ユーザーのみ利用可能です。学習する SAM3 モデルは、次を含む有料プランで利用できます: 従量課金。そこから、SAM3はアーキテクチャ一覧に「Request Feature」ボタン付きで表示され、アクセス権を取得するために使用できます。

プロジェクトタイプで利用可能なアーキテクチャを選び、「Continue」をクリックします:

チェックポイントを選択

学習オプションを選択した後、チェックポイントから学習するかどうかを尋ねられます。以下のタブには各モデルタイプの設定オプションが表示されます。

3つのオプションがあります:

以前のチェックポイントから学習: すでに動作するモデルがあり、それを改善したい場合に最適です。
公開チェックポイントから学習: 最初のモデルや、前回の学習実行で期待した結果が得られなかった場合に最適です。
ランダム初期化から学習: 上級者向け、このオプションでは学習のための白紙状態から始めます。ほとんどのユーザーはこのオプションを使うと結果が悪化します。

分類およびセマンティックセグメンテーションモデルでは、利用できるチェックポイントは1つだけです。

どの学習オプションを選べばよいですか？

新しいオブジェクト検出プロジェクトには、公開チェックポイントからの学習をおすすめします。デフォルトでは、Microsoft COCOデータセットで学習されたモデルからの学習を提供しています。分類とセマンティックセグメンテーションでは、ImageNetからの学習のみをサポートしています。

Universe上のプロジェクトに基づくチェックポイントから学習できます（オブジェクト検出のみ）。そのためには、まず Universeでプロジェクトにスターを付ける。すると、そのプロジェクトがRoboflow Webアプリで学習チェックポイントとして利用可能になります。

さらに、モデルの以前のバージョンに基づくチェックポイントから学習できます（オブジェクト検出、インスタンスセグメンテーション、キーポイント検出のみ）。この方法により、より高速な学習プロセスが可能になります。モデルが高い性能を発揮している場合に限り、モデルを以前のチェックポイントから学習することをおすすめします。

チェックポイントからの学習とは、転移学習を利用していることを意味します。転移学習により、選択したモデルからモデル学習が初期化されます。これにより学習時間を短縮し、学習スコアを向上できます。

ゼロから学習するとは、ない転移学習を利用していないことを意味します。これにより、モデル重みの初期値がランダムな状態で学習が開始されます。

クレジット上限を設定する

1回の学習実行で使用するクレジット数を制限できます。学習オプションの「Credit Cap」に数値を入力するか、空欄のままにして上限なしで実行してください。上限を設定するには、次を含むプランが必要です従量課金.

実行が上限に達すると、Roboflowはそれを停止し、次と同様にモデル重みを保持します学習を早期停止する。ジョブの実行中は、学習で上限クレジットのうち何クレジットを使用したかが表示されます。

各モデルには最小上限があり、入力欄の下に表示されます。最小値は、モデルを生成できる最短実行のコストなので、より小さい上限は拒否されます。コスト見積もりを下回る上限は許可されますが、実行は完了前に停止する可能性が高くなります。

ニューラルアーキテクチャ探索学習とアーキテクチャ探索は別々に課金されるため、上限も2つあります: 「学習クレジット上限」と「検索クレジット上限」。片方を設定すると、もう片方のフェーズは上限なしになります。

上限付きの実行がクレジットを余して停止した場合、その続行が可能です。新しい実行では、上限内に残っている分を使用できます。残りがモデルの最小値より少ない場合は、新しく学習を開始してください。

学習ジョブを開始

学習するチェックポイントを選んだら、「Start Training」をクリックします。

その後、データセットはZIP圧縮され、Roboflowクラウドでの学習用に準備されます。

学習開始前に、学習サマリーに予想所要時間とクレジットコストが表示されます:

データセットが大きく、画像が大きいほど、モデルの学習には時間がかかります。

学習プロセスが完了するとメールが届きます。ほとんどの場合、24時間以内です。

価格

Roboflowでの学習料金は、学習ジョブの所要時間に基づいています。詳細は当社のクレジットページ.

学生または研究者で、取り組んでいるプロジェクトのためにクレジットが必要な場合は、追加クレジットを申請できます.

Agentから学習

同じ学習実行を次から開始できます Roboflow Agent チャットを離れずに。Agentでプロジェクトタブを開き、「Train」をクリックします。学習手順はタブ内で開きます。学習エンジンを選び、次にアーキテクチャとサイズを選び、最後にデータセットのバージョンを選択します。

選択したバージョンがまだエクスポートされていない場合、Agentがまずエクスポートを準備し、その進捗を表示します。エクスポートの準備ができると学習が始まります。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。

この方法で学習するには、Train Model と List Versions の権限が必要です。

1つのバージョンで複数のモデルを学習

同じデータセットバージョンで複数のモデルを学習し、同一データに対してアーキテクチャやサイズを比較できます。各学習は個別に実行・評価され、バージョンページにはすべての学習が一覧表示されるため、それらを切り替えられます。

HTTP API

プロジェクトに生成済みのデータセットバージョンがあれば、ホストされたモデルを生成する学習ジョブをスケジュールできます。

学習ジョブを開始

データセットバージョン上で学習実行を開始します。データセットバージョンはURLパスの一部です。

POST https://api.roboflow.com/:workspace/:project/:version/train

本文

名前

種類

説明

必須

model_type

文字列

アーキテクチャ識別子（例: rfdetr-nano, yolov8, yolov11）。無効な値を渡すと、エラーとして完全な一覧が返されます。

checkpoint

文字列

学習を継続するための任意のチェックポイント。

epochs

整数

エポック数。

speed

文字列

高速 （デフォルト）または 高精度. 高精度 は有料機能です。

trainingCreditCap

数値

停止されるまでに学習が使用できる最大クレジット数。モデルの最小値以上でなければなりません。

nasMiningCreditCap

数値

NASアーキテクチャ探索が使用できる最大クレジット数。NASモデルタイプでのみ有効です。

curl "https://api.roboflow.com/my-workspace/my-detector/3/train?api_key=$ROBOFLOW_API_KEY" \
  -X POST \
  -H "Content-Type: application/json" \
  -d '{"model_type": "rfdetr-base"}'

学習実行は非同期で行われます。応答はジョブがキューに入ったことを示すだけで、完了したことを示すものではありません。進捗を確認するには、学習結果をポーリングするか、バージョンの model フィールドで、学習済みモデルが表示されるのを待ちます。

バージョンが学習可能な状態でない場合、リクエストは 400 と コード と 対処法 フィールドを返します。対処法には修正内容の名前が示されるため、スクリプトやAgentがメッセージを読む必要はありません: 再バランス （画像数は足りているが、分割先が間違っています）、 アップロード （データセットにさらに画像が必要です）、 アノテーションを付ける （画像にラベルが必要です）、 再生成 （バージョン生成に失敗したため、新しいバージョンを生成してください）、または 待機 （再バランスまたは生成がまだ実行中です）。プランの制限など、データに関係ないエラーには次はありません 対処法.

ここではプラン制限もWebアプリと同様に適用されます。プランに要求したアーキテクチャが含まれていない場合、リクエストは 400 となり、ジョブは開始されません: nas_not_available_for_plan に対する NAS モデルタイプ、 sam3_not_available_for_plan に対する SAM3 モデルタイプ。

モデルの最小値を下回るクレジット上限、またはクレジット課金を行わないワークスペースに対する任意の上限は、 400 コードとともに invalid_credit_capを返します。エラーメッセージに最小値が示されます。

呼び出し元のAPIキーには次の権限が必要です trainingJob:create スコープ。

Python SDK

Version.train() Roboflowプラットフォームで学習をスケジュールします。呼び出しはジョブがキューに入った時点で返り、学習自体は非同期で実行されます。

import roboflow

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

# まだない場合は、前処理と拡張を含む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)

# 学習をスケジュールします。
model = version.train(
    model_type="rfdetr-nano",   # 無効な値を渡すと、エラーとして完全な一覧が返されます
    checkpoint=None,             # 任意: 以前のチェックポイントから再開
    epochs=100,                  # 任意: デフォルトはモデルタイプに依存します
    plot_in_notebook=False,      # 学習進捗プロットを表示（notebookのみ）
)

パラメータ

model_type （str）- アーキテクチャ識別子。一般的な値: rfdetr-nano, rfdetr-base, yolov8, yolov11。プロジェクトタイプに依存します。無効な値を渡すと、エラーとして完全な一覧が返されます。
speed （str、任意）- 「高速」 （デフォルト）または 「高精度」。高精度学習は有料機能です。
checkpoint （str、任意）- 再開元のチェックポイントID。
epochs （int、任意）- エポック数。デフォルトはモデルタイプに依存します。
plot_in_notebook （bool、デフォルト False）- 学習進捗をインライン表示します（notebookのみ）。

学習後

学習が完了すると、 Versionの .model プロパティがホストされたモデルを返します:

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

参照: 画像でモデルを実行する推論リファレンスの詳細はこちら。

CLI

コマンドラインからモデル学習を開始できます。学習はRoboflowのクラウドインフラ上で実行されます。

コマンド

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

または省略形を使用します（ start):

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

再開元のチェックポイント

--speed

学習速度プリセット

--epochs

学習エポック数

例

特定のモデルタイプで学習を開始する:

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

チェックポイントから再開:

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

JSON出力

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

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

次のステップ

学習ジョブを停止またはキャンセルする.
モデルの性能を確認し、学習実行を比較します。参照: 学習済みモデルを評価する.
次を使ってモデルをデプロイします Serverless Cloud API.

前へYOLOv9 次へRoboflow Instant

最終更新 5 時間前

役に立ちましたか？