カスタムモデルの重みをアップロードする

Roboflow はカスタムトレーニングしたモデルの重みを Roboflow プロジェクトにアップロードしてデプロイに使用する機能を提供します。

カスタムモデルのトレーニングが完了したら、モデルの重みをRoboflowプロジェクトにアップロードして、 Roboflow Inference.

モデルサポート

詳細は 対応モデル表 トレーニング、重みのアップロード、および重みのダウンロードの互換性を活用できます。

モデル重みのアップロードは現在以下に対応しています：

• YOLOv5（n, s, m, l, x）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

• YOLOv7インスタンスセグメンテーション（yolov7-seg）

• YOLOv8（n, s, m, l, x）オブジェクト検出、インスタンスセグメンテーション、分類、キーポイント検出

• YOLOv9（n, s, m, l, x）オブジェクト検出

• YOLOv10（n, s, m, l, x）オブジェクト検出

• YOLOv11（n, s, m, l, x）オブジェクト検出、インスタンスセグメンテーション

• YOLOv12（n, s, m, l, x）オブジェクト検出

• YOLO-NAS（s, m, l）オブジェクト検出

• RF-DETR（rfdetr-base, rfdetr-large）オブジェクト検出

• Florence-2（base, large）マルチモーダル

• PaliGemma（3b-pt-224, 3b-pt-448, 3b-pt-896）マルチモーダル

• PaliGemma 2（3b-pt-224, 3b-pt-448, 3b-pt-896）マルチモーダル

• YOLOv8モデルは ultralytics==8.0.196

• YOLOv9モデルは ultralytics からトレーニングおよびアップロードする必要があります https://github.com/WongKinYiu/yolov9

• YOLOv10モデルは ultralytics からトレーニングおよびアップロードする必要があります

  https://github.com/THU-MIG/yolov10

• YOLOv11モデルは ultralytics<=8.3.40

• YOLOv12モデルは ultralytics からトレーニングおよびアップロードする必要があります https://github.com/sunsmarterjie/yolov12

大きなモデルサイズはより良いトレーニング結果を提供します。ただし、モデルサイズが大きいほどトレーニング時間や推論（モデル予測）速度が遅くなります。高速な物体やビデオフィードでリアルタイム推論を求める場合は小さいモデルを、収集後にデータを処理し高い予測精度を重視する場合は大きいモデルを選択してください。

バージョンあり vs. バージョンなしモデルのアップロード

Roboflowは、プロジェクトへのモデルデプロイのために2つの異なるアプローチを提供しており、それぞれ異なるユースケースや組織のニーズに対応しています。バージョンありとバージョンなしのデプロイの選択は、データセットバージョンとともにモデルの進化を追跡する必要があるか、ワークスペース内の複数プロジェクトでモデルを共有したいかによって決まります。

• バージョンなしデプロイ

  • ワークスペースレベルに紐付けられる

  • 複数のプロジェクトに同時にデプロイ可能

  • 同じワークスペース内の異なるプロジェクト間でモデルを共有するのに最適

• バージョンありデプロイ

  • 特定のプロジェクトバージョンに紐付けられる

  • 1つのデータセットバージョンにつき1つのモデル

  • データセットバージョンとともにモデルの進化を追跡するのに最適

  • Label Assistでモデルを使用するのに最適

  • 他のモデルのトレーニング用チェックポイントとしてモデルを使用するのに最適

カスタム重みをアップロード

Python SDK（バージョンなし）

開始する前に、 roboflow>=1.1.53 をインストールしてバージョンなしデプロイを利用できるようにしてください。

バージョンなしカスタム重みをアップロードするには、 workspace.deploy_model Python SDKのメソッドを使用します。

利用状況

workspace.deploy_model(
    model_type="yolov8",  # モデルのタイプ
    model_path="path/to/model",  # モデルディレクトリへのパス
    project_ids=["project1", "project2"],  # プロジェクトIDのリスト
    model_name="my-model",  # モデル名（1文字以上、数字とハイフン可）
    filename="weights/best.pt"  # 重みファイルへのパス（デフォルト）
)

パラメータ

• model_type (str): デプロイするモデルのタイプ（例："yolov8", "yolov11"）

• model_path (str): モデル重みを含むディレクトリへのファイルパス

• project_ids (list[str]): モデルをデプロイするプロジェクトIDのリスト

• model_name (str): モデルを識別する名前（1文字以上、数字とハイフン可）

• filename (str, optional): 重みファイルの名前（デフォルトは"weights/best.pt"）

例

from roboflow import Roboflow

rf = Roboflow(api_key="YOUR_API_KEY")
workspace = rf.workspace("YOUR_WORKSPACE")

workspace.deploy_model(
  model_type="yolov8",
  model_path="./runs/train/weights",
  project_ids=["project-1", "project-2", "project-3"],
  model_name="my-custom-model"
)

Python SDK（バージョンあり）

CLI（バージョンなし・バージョンあり両対応）

次のステップ

1. Roboflowの「Models」タブでモデルを確認

2. ローカルでモデルを実行 Roboflow Inference Server.

3. モデルをデプロイ