> 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/workflows/ja/burokku/blocks/run-a-model/instance-segmentation-model.md).
# インスタンスセグメンテーションモデル
## v4
Roboflow 上でホストされている、または Roboflow にアップロードされたインスタンスセグメンテーションモデルで推論を実行します。
あなたのアカウント専用の任意のモデル、または Roboflow Universe 上で利用可能な任意の公開モデルを [Roboflow Universe](https://universe.roboflow.com).
このブロックを使用するには、Inference 環境で Roboflow API キーを設定する必要があります。Roboflow API キーの設定方法の詳細は、 [Inferenceのドキュメントを参照してください](https://docs.roboflow.com/reference/authentication/authentication/find-your-roboflow-api-key).
このバージョンのブロックでは、マスク構築の挙動に破壊的変更が導入されています - それは `rle` 代わりに format を使用 `ポリゴン` これにより、リモートサーバーからあらゆる種類の形状を取得できるようになります。
### 型識別子
ステップで次の識別子を使用してください `"type"` フィールド： `roboflow_core/roboflow_instance_segmentation_model@v4` ワークフローにこのブロックをステップとして追加するには。
### プロパティ
| **名前** | **型** | **説明** | 参照 |
| -------------------------------- | ----------- | ------------------------------------------------------------------------------------------------------------------------------------------------- | -- |
| `name` | `str` | このステップの一意の識別子を入力してください。 | ❌ |
| `model_id` | `str` | Roboflowのモデル識別子。 | ✅ |
| `confidence_mode` | `str` | 信頼度しきい値がどのように決定されるか.. | ✅ |
| `custom_confidence` | `float` | 予測のカスタム信頼度しきい値。 | ✅ |
| `class_filter` | `List[str]` | 受け入れ可能なクラスの一覧。クラスはモデルの学習セットに存在している必要があります。 | ✅ |
| `iou_threshold` | `float` | NMS で使用され、複数のボックスを 1 つの検出として統合するための、ボックス間の最小重なりしきい値。 [詳細を見る](https://blog.roboflow.com/how-to-code-non-maximum-suppression-nms-in-plain-numpy/).. | ✅ |
| `max_detections` | `整数` | 返す検出結果の最大数。 | ✅ |
| `class_agnostic_nms` | `bool` | NMS をクラス非依存モードで使用するかどうかを指定するブールフラグ。 | ✅ |
| `max_candidates` | `整数` | NMS の入力として考慮する候補の最大数。 | ✅ |
| `mask_decode_mode` | `str` | 予測後処理におけるマスクデコードのパラメータ。 | ✅ |
| `tradeoff_factor` | `float` | 高速さと正確さのトレードオフを決定する後処理パラメータ。 | ✅ |
| `disable_active_learning` | `bool` | このブロックでプロジェクトレベルのアクティブラーニングを無効にするためのブールフラグ。 | ✅ |
| `active_learning_target_dataset` | `str` | 有効な場合のアクティブラーニング用ターゲットデータセット。 | ✅ |
この **参照** 列は、で利用可能な動的値を使ってプロパティをパラメータ化できる可能性を示します `ワークフロー` 実行時。参照 *バインディング* 詳細は。
### 入力と出力のバインディング
利用可能な接続は、そのバインディング種別によって異なります。どのバインディング種別が `インスタンスセグメンテーションモデル` のバージョン `v4` あるか確認してください。
入力と出力のバインディング
* 入力
* `images` ([*`image`*](/workflows/ja/gaido/developer-guide/kinds/image.md)): 推論対象の画像です..
* `model_id` ([*`roboflow_model_id`*](/workflows/ja/gaido/developer-guide/kinds/roboflow-model-id.md)): Roboflowのモデル識別子。
* `confidence_mode` ([*`string`*](/workflows/ja/gaido/developer-guide/kinds/string.md)): 信頼度しきい値がどのように決定されるか..
* `custom_confidence` ([*`float_zero_to_one`*](/workflows/ja/gaido/developer-guide/kinds/float-zero-to-one.md)): 予測のカスタム信頼度しきい値。
* `class_filter` ([*`list_of_values`*](/workflows/ja/gaido/developer-guide/kinds/list-of-values.md)): 受け入れ可能なクラスの一覧。クラスはモデルの学習セットに存在している必要があります。
* `iou_threshold` ([*`float_zero_to_one`*](/workflows/ja/gaido/developer-guide/kinds/float-zero-to-one.md)): NMS で使用され、複数のボックスを 1 つの検出として統合するための、ボックス間の最小重なりしきい値。 [詳細を見る](https://blog.roboflow.com/how-to-code-non-maximum-suppression-nms-in-plain-numpy/)..
* `max_detections` ([*`整数`*](/workflows/ja/gaido/developer-guide/kinds/integer.md)): 返す検出結果の最大数。
* `class_agnostic_nms` ([*`boolean`*](/workflows/ja/gaido/developer-guide/kinds/boolean.md)): NMS をクラス非依存モードで使用するかどうかを指定するブールフラグ。
* `max_candidates` ([*`整数`*](/workflows/ja/gaido/developer-guide/kinds/integer.md)): NMS の入力として考慮する候補の最大数。
* `mask_decode_mode` ([*`string`*](/workflows/ja/gaido/developer-guide/kinds/string.md)): 予測後処理におけるマスクデコードのパラメータ。
* `tradeoff_factor` ([*`float_zero_to_one`*](/workflows/ja/gaido/developer-guide/kinds/float-zero-to-one.md)): 高速さと正確さのトレードオフを決定する後処理パラメータ。
* `disable_active_learning` ([*`boolean`*](/workflows/ja/gaido/developer-guide/kinds/boolean.md)): このブロックでプロジェクトレベルのアクティブラーニングを無効にするためのブールフラグ。
* `active_learning_target_dataset` ([*`roboflow_project`*](/workflows/ja/gaido/developer-guide/kinds/roboflow-project.md)): 有効な場合のアクティブラーニング用ターゲットデータセット。
* 出力
* `inference_id` ([`inference_id`](/workflows/ja/gaido/developer-guide/kinds/inference-id.md)): Inferenceの識別子。
* `predictions` (*Union\[*[*`rle_instance_segmentation_prediction`*](/workflows/ja/gaido/developer-guide/kinds/rle-instance-segmentation-prediction.md)*,* [*`instance_segmentation_prediction`*](/workflows/ja/gaido/developer-guide/kinds/instance-segmentation-prediction.md)*]*): 検出されたバウンディングボックスと RLE エンコードされたセグメンテーションマスクを含む予測。sv.Detections(...) オブジェクトの形式で返される場合は `rle_instance_segmentation_prediction` または、sv.Detections(...) 形式の検出バウンディングボックスとセグメンテーションマスクを含む予測。 `instance_segmentation_prediction`.
* `model_id` ([`roboflow_model_id`](/workflows/ja/gaido/developer-guide/kinds/roboflow-model-id.md)): RoboflowのモデルID。
JSON 定義の例
```json
{
"name": "",
"type": "roboflow_core/roboflow_instance_segmentation_model@v4",
"images": "$inputs.image",
"model_id": "my_project/3",
"confidence_mode": "",
"custom_confidence": 0.3,
"class_filter": [
"a",
"b",
"c"
],
"iou_threshold": 0.4,
"max_detections": 300,
"class_agnostic_nms": true,
"max_candidates": 3000,
"mask_decode_mode": "accurate",
"tradeoff_factor": 0.3,
"disable_active_learning": true,
"active_learning_target_dataset": "my_project"
}
```
## v3
Roboflow 上でホストされている、または Roboflow にアップロードされたインスタンスセグメンテーションモデルで推論を実行します。
あなたのアカウント専用の任意のモデル、または Roboflow Universe 上で利用可能な任意の公開モデルを [Roboflow Universe](https://universe.roboflow.com).
このブロックを使用するには、Inference 環境で Roboflow API キーを設定する必要があります。Roboflow API キーの設定方法の詳細は、 [Inferenceのドキュメントを参照してください](https://docs.roboflow.com/reference/authentication/authentication/find-your-roboflow-api-key).
### 型識別子
ステップで次の識別子を使用してください `"type"` フィールド： `roboflow_core/roboflow_instance_segmentation_model@v3` ワークフローにこのブロックをステップとして追加するには。
### プロパティ
| **名前** | **型** | **説明** | 参照 |
| ----------------------------------------- | ----------- | ------------------------------------------------------------------------------------------------------------------------------------------------- | -- |
| `name` | `str` | このステップの一意の識別子を入力してください。 | ❌ |
| `model_id` | `str` | Roboflowのモデル識別子。 | ✅ |
| `confidence_mode` | `str` | 信頼度しきい値がどのように決定されるか.. | ✅ |
| `custom_confidence` | `float` | 予測のカスタム信頼度しきい値。 | ✅ |
| `class_filter` | `List[str]` | 受け入れ可能なクラスの一覧。クラスはモデルの学習セットに存在している必要があります。 | ✅ |
| `iou_threshold` | `float` | NMS で使用され、複数のボックスを 1 つの検出として統合するための、ボックス間の最小重なりしきい値。 [詳細を見る](https://blog.roboflow.com/how-to-code-non-maximum-suppression-nms-in-plain-numpy/).. | ✅ |
| `max_detections` | `整数` | 返す検出結果の最大数。 | ✅ |
| `class_agnostic_nms` | `bool` | NMS をクラス非依存モードで使用するかどうかを指定するブールフラグ。 | ✅ |
| `max_candidates` | `整数` | NMS の入力として考慮する候補の最大数。 | ✅ |
| `mask_decode_mode` | `str` | 予測後処理におけるマスクデコードのパラメータ。 | ✅ |
| `tradeoff_factor` | `float` | 高速さと正確さのトレードオフを決定する後処理パラメータ。 | ✅ |
| `disable_active_learning` | `bool` | このブロックでプロジェクトレベルのアクティブラーニングを無効にするためのブールフラグ。 | ✅ |
| `active_learning_target_dataset` | `str` | 有効な場合のアクティブラーニング用ターゲットデータセット。 | ✅ |
| `enforce_dense_masks_in_inference_models` | `bool` | 推論モデルのバックエンドを使用している場合に密なマスクを強制するためのブールフラグです（その他の場合は無関係です）。密なマスクは処理が速いですが、より多くのメモリを必要とします。Roboflow のサーバーレスプラットフォーム上で実行する場合、ユーザーはこのフラグを調整できません。 | ✅ |
この **参照** 列は、で利用可能な動的値を使ってプロパティをパラメータ化できる可能性を示します `ワークフロー` 実行時。参照 *バインディング* 詳細は。
### 入力と出力のバインディング
利用可能な接続は、そのバインディング種別によって異なります。どのバインディング種別が `インスタンスセグメンテーションモデル` のバージョン `v3` あるか確認してください。
入力と出力のバインディング
* 入力
* `images` ([*`image`*](/workflows/ja/gaido/developer-guide/kinds/image.md)): 推論対象の画像です..
* `model_id` ([*`roboflow_model_id`*](/workflows/ja/gaido/developer-guide/kinds/roboflow-model-id.md)): Roboflowのモデル識別子。
* `confidence_mode` ([*`string`*](/workflows/ja/gaido/developer-guide/kinds/string.md)): 信頼度しきい値がどのように決定されるか..
* `custom_confidence` ([*`float_zero_to_one`*](/workflows/ja/gaido/developer-guide/kinds/float-zero-to-one.md)): 予測のカスタム信頼度しきい値。
* `class_filter` ([*`list_of_values`*](/workflows/ja/gaido/developer-guide/kinds/list-of-values.md)): 受け入れ可能なクラスの一覧。クラスはモデルの学習セットに存在している必要があります。
* `iou_threshold` ([*`float_zero_to_one`*](/workflows/ja/gaido/developer-guide/kinds/float-zero-to-one.md)): NMS で使用され、複数のボックスを 1 つの検出として統合するための、ボックス間の最小重なりしきい値。 [詳細を見る](https://blog.roboflow.com/how-to-code-non-maximum-suppression-nms-in-plain-numpy/)..
* `max_detections` ([*`整数`*](/workflows/ja/gaido/developer-guide/kinds/integer.md)): 返す検出結果の最大数。
* `class_agnostic_nms` ([*`boolean`*](/workflows/ja/gaido/developer-guide/kinds/boolean.md)): NMS をクラス非依存モードで使用するかどうかを指定するブールフラグ。
* `max_candidates` ([*`整数`*](/workflows/ja/gaido/developer-guide/kinds/integer.md)): NMS の入力として考慮する候補の最大数。
* `mask_decode_mode` ([*`string`*](/workflows/ja/gaido/developer-guide/kinds/string.md)): 予測後処理におけるマスクデコードのパラメータ。
* `tradeoff_factor` ([*`float_zero_to_one`*](/workflows/ja/gaido/developer-guide/kinds/float-zero-to-one.md)): 高速さと正確さのトレードオフを決定する後処理パラメータ。
* `disable_active_learning` ([*`boolean`*](/workflows/ja/gaido/developer-guide/kinds/boolean.md)): このブロックでプロジェクトレベルのアクティブラーニングを無効にするためのブールフラグ。
* `active_learning_target_dataset` ([*`roboflow_project`*](/workflows/ja/gaido/developer-guide/kinds/roboflow-project.md)): 有効な場合のアクティブラーニング用ターゲットデータセット。
* `enforce_dense_masks_in_inference_models` ([*`boolean`*](/workflows/ja/gaido/developer-guide/kinds/boolean.md)): 推論モデルのバックエンドを使用している場合に密なマスクを強制するためのブールフラグです（その他の場合は無関係です）。密なマスクは処理が速いですが、より多くのメモリを必要とします。Roboflow のサーバーレスプラットフォーム上で実行する場合、ユーザーはこのフラグを調整できません。
* 出力
* `inference_id` ([`inference_id`](/workflows/ja/gaido/developer-guide/kinds/inference-id.md)): Inferenceの識別子。
* `predictions` ([`instance_segmentation_prediction`](/workflows/ja/gaido/developer-guide/kinds/instance-segmentation-prediction.md)): 検出されたバウンディングボックスとセグメンテーションマスクを sv.Detections(...) オブジェクトの形式で持つ予測。
* `model_id` ([`roboflow_model_id`](/workflows/ja/gaido/developer-guide/kinds/roboflow-model-id.md)): RoboflowのモデルID。
JSON 定義の例
```json
{
"name": "",
"type": "roboflow_core/roboflow_instance_segmentation_model@v3",
"images": "$inputs.image",
"model_id": "my_project/3",
"confidence_mode": "",
"custom_confidence": 0.3,
"class_filter": [
"a",
"b",
"c"
],
"iou_threshold": 0.4,
"max_detections": 300,
"class_agnostic_nms": true,
"max_candidates": 3000,
"mask_decode_mode": "accurate",
"tradeoff_factor": 0.3,
"disable_active_learning": true,
"active_learning_target_dataset": "my_project",
"enforce_dense_masks_in_inference_models": true
}
```
## v2
Roboflow 上でホストされている、または Roboflow にアップロードされたインスタンスセグメンテーションモデルで推論を実行します。
あなたのアカウント専用の任意のモデル、または Roboflow Universe 上で利用可能な任意の公開モデルを [Roboflow Universe](https://universe.roboflow.com).
このブロックを使用するには、Inference 環境で Roboflow API キーを設定する必要があります。Roboflow API キーの設定方法の詳細は、 [Inferenceのドキュメントを参照してください](https://docs.roboflow.com/reference/authentication/authentication/find-your-roboflow-api-key).
### 型識別子
ステップで次の識別子を使用してください `"type"` フィールド： `roboflow_core/roboflow_instance_segmentation_model@v2` ワークフローにこのブロックをステップとして追加するには。
### プロパティ
| **名前** | **型** | **説明** | 参照 |
| ----------------------------------------- | ----------- | ------------------------------------------------------------------------------------------------------------------------------------------------- | -- |
| `name` | `str` | このステップの一意の識別子を入力してください。 | ❌ |
| `model_id` | `str` | Roboflowのモデル識別子。 | ✅ |
| `confidence` | `float` | 予測の信頼度しきい値。 | ✅ |
| `class_filter` | `List[str]` | 受け入れ可能なクラスの一覧。クラスはモデルの学習セットに存在している必要があります。 | ✅ |
| `iou_threshold` | `float` | NMS で使用され、複数のボックスを 1 つの検出として統合するための、ボックス間の最小重なりしきい値。 [詳細を見る](https://blog.roboflow.com/how-to-code-non-maximum-suppression-nms-in-plain-numpy/).. | ✅ |
| `max_detections` | `整数` | 返す検出結果の最大数。 | ✅ |
| `class_agnostic_nms` | `bool` | NMS をクラス非依存モードで使用するかどうかを指定するブールフラグ。 | ✅ |
| `max_candidates` | `整数` | NMS の入力として考慮する候補の最大数。 | ✅ |
| `mask_decode_mode` | `str` | 予測後処理におけるマスクデコードのパラメータ。 | ✅ |
| `tradeoff_factor` | `float` | 高速さと正確さのトレードオフを決定する後処理パラメータ。 | ✅ |
| `disable_active_learning` | `bool` | このブロックでプロジェクトレベルのアクティブラーニングを無効にするためのブールフラグ。 | ✅ |
| `active_learning_target_dataset` | `str` | 有効な場合のアクティブラーニング用ターゲットデータセット。 | ✅ |
| `enforce_dense_masks_in_inference_models` | `bool` | 推論モデルのバックエンドを使用している場合に密なマスクを強制するためのブールフラグです（その他の場合は無関係です）。密なマスクは処理が速いですが、より多くのメモリを必要とします。Roboflow のサーバーレスプラットフォーム上で実行する場合、ユーザーはこのフラグを調整できません。 | ✅ |
この **参照** 列は、で利用可能な動的値を使ってプロパティをパラメータ化できる可能性を示します `ワークフロー` 実行時。参照 *バインディング* 詳細は。
### 入力と出力のバインディング
利用可能な接続は、そのバインディング種別によって異なります。どのバインディング種別が `インスタンスセグメンテーションモデル` のバージョン `v2` あるか確認してください。
入力と出力のバインディング
* 入力
* `images` ([*`image`*](/workflows/ja/gaido/developer-guide/kinds/image.md)): 推論対象の画像です..
* `model_id` ([*`roboflow_model_id`*](/workflows/ja/gaido/developer-guide/kinds/roboflow-model-id.md)): Roboflowのモデル識別子。
* `confidence` ([*`float_zero_to_one`*](/workflows/ja/gaido/developer-guide/kinds/float-zero-to-one.md)): 予測の信頼度しきい値。
* `class_filter` ([*`list_of_values`*](/workflows/ja/gaido/developer-guide/kinds/list-of-values.md)): 受け入れ可能なクラスの一覧。クラスはモデルの学習セットに存在している必要があります。
* `iou_threshold` ([*`float_zero_to_one`*](/workflows/ja/gaido/developer-guide/kinds/float-zero-to-one.md)): NMS で使用され、複数のボックスを 1 つの検出として統合するための、ボックス間の最小重なりしきい値。 [詳細を見る](https://blog.roboflow.com/how-to-code-non-maximum-suppression-nms-in-plain-numpy/)..
* `max_detections` ([*`整数`*](/workflows/ja/gaido/developer-guide/kinds/integer.md)): 返す検出結果の最大数。
* `class_agnostic_nms` ([*`boolean`*](/workflows/ja/gaido/developer-guide/kinds/boolean.md)): NMS をクラス非依存モードで使用するかどうかを指定するブールフラグ。
* `max_candidates` ([*`整数`*](/workflows/ja/gaido/developer-guide/kinds/integer.md)): NMS の入力として考慮する候補の最大数。
* `mask_decode_mode` ([*`string`*](/workflows/ja/gaido/developer-guide/kinds/string.md)): 予測後処理におけるマスクデコードのパラメータ。
* `tradeoff_factor` ([*`float_zero_to_one`*](/workflows/ja/gaido/developer-guide/kinds/float-zero-to-one.md)): 高速さと正確さのトレードオフを決定する後処理パラメータ。
* `disable_active_learning` ([*`boolean`*](/workflows/ja/gaido/developer-guide/kinds/boolean.md)): このブロックでプロジェクトレベルのアクティブラーニングを無効にするためのブールフラグ。
* `active_learning_target_dataset` ([*`roboflow_project`*](/workflows/ja/gaido/developer-guide/kinds/roboflow-project.md)): 有効な場合のアクティブラーニング用ターゲットデータセット。
* `enforce_dense_masks_in_inference_models` ([*`boolean`*](/workflows/ja/gaido/developer-guide/kinds/boolean.md)): 推論モデルのバックエンドを使用している場合に密なマスクを強制するためのブールフラグです（その他の場合は無関係です）。密なマスクは処理が速いですが、より多くのメモリを必要とします。Roboflow のサーバーレスプラットフォーム上で実行する場合、ユーザーはこのフラグを調整できません。
* 出力
* `inference_id` ([`inference_id`](/workflows/ja/gaido/developer-guide/kinds/inference-id.md)): Inferenceの識別子。
* `predictions` ([`instance_segmentation_prediction`](/workflows/ja/gaido/developer-guide/kinds/instance-segmentation-prediction.md)): 検出されたバウンディングボックスとセグメンテーションマスクを sv.Detections(...) オブジェクトの形式で持つ予測。
* `model_id` ([`roboflow_model_id`](/workflows/ja/gaido/developer-guide/kinds/roboflow-model-id.md)): RoboflowのモデルID。
JSON 定義の例
```json
{
"name": "",
"type": "roboflow_core/roboflow_instance_segmentation_model@v2",
"images": "$inputs.image",
"model_id": "my_project/3",
"confidence": 0.3,
"class_filter": [
"a",
"b",
"c"
],
"iou_threshold": 0.4,
"max_detections": 300,
"class_agnostic_nms": true,
"max_candidates": 3000,
"mask_decode_mode": "accurate",
"tradeoff_factor": 0.3,
"disable_active_learning": true,
"active_learning_target_dataset": "my_project",
"enforce_dense_masks_in_inference_models": true
}
```
## v1
Roboflow 上でホストされている、または Roboflow にアップロードされたインスタンスセグメンテーションモデルで推論を実行します。
あなたのアカウント専用の任意のモデル、または Roboflow Universe 上で利用可能な任意の公開モデルを [Roboflow Universe](https://universe.roboflow.com).
このブロックを使用するには、Inference 環境で Roboflow API キーを設定する必要があります。Roboflow API キーの設定方法の詳細は、 [Inferenceのドキュメントを参照してください](https://docs.roboflow.com/reference/authentication/authentication/find-your-roboflow-api-key).
### 型識別子
ステップで次の識別子を使用してください `"type"` フィールド： `roboflow_core/roboflow_instance_segmentation_model@v1` ワークフローにこのブロックをステップとして追加するには。
### プロパティ
| **名前** | **型** | **説明** | 参照 |
| ----------------------------------------- | ----------- | ------------------------------------------------------------------------------------------------------------------------------------------------- | -- |
| `name` | `str` | このステップの一意の識別子を入力してください。 | ❌ |
| `model_id` | `str` | Roboflowのモデル識別子。 | ✅ |
| `confidence` | `float` | 予測の信頼度しきい値。 | ✅ |
| `class_filter` | `List[str]` | 受け入れ可能なクラスの一覧。クラスはモデルの学習セットに存在している必要があります。 | ✅ |
| `iou_threshold` | `float` | NMS で使用され、複数のボックスを 1 つの検出として統合するための、ボックス間の最小重なりしきい値。 [詳細を見る](https://blog.roboflow.com/how-to-code-non-maximum-suppression-nms-in-plain-numpy/).. | ✅ |
| `max_detections` | `整数` | 返す検出結果の最大数。 | ✅ |
| `class_agnostic_nms` | `bool` | NMS をクラス非依存モードで使用するかどうかを指定するブールフラグ。 | ✅ |
| `max_candidates` | `整数` | NMS の入力として考慮する候補の最大数。 | ✅ |
| `mask_decode_mode` | `str` | 予測後処理におけるマスクデコードのパラメータ。 | ✅ |
| `tradeoff_factor` | `float` | 高速さと正確さのトレードオフを決定する後処理パラメータ。 | ✅ |
| `disable_active_learning` | `bool` | このブロックでプロジェクトレベルのアクティブラーニングを無効にするためのブールフラグ。 | ✅ |
| `active_learning_target_dataset` | `str` | 有効な場合のアクティブラーニング用ターゲットデータセット。 | ✅ |
| `enforce_dense_masks_in_inference_models` | `bool` | 推論モデルのバックエンドを使用している場合に密なマスクを強制するためのブールフラグです（その他の場合は無関係です）。密なマスクは処理が速いですが、より多くのメモリを必要とします。Roboflow のサーバーレスプラットフォーム上で実行する場合、ユーザーはこのフラグを調整できません。 | ✅ |
この **参照** 列は、で利用可能な動的値を使ってプロパティをパラメータ化できる可能性を示します `ワークフロー` 実行時。参照 *バインディング* 詳細は。
### 入力と出力のバインディング
利用可能な接続は、そのバインディング種別によって異なります。どのバインディング種別が `インスタンスセグメンテーションモデル` のバージョン `v1` あるか確認してください。
入力と出力のバインディング
* 入力
* `images` ([*`image`*](/workflows/ja/gaido/developer-guide/kinds/image.md)): 推論対象の画像です..
* `model_id` ([*`roboflow_model_id`*](/workflows/ja/gaido/developer-guide/kinds/roboflow-model-id.md)): Roboflowのモデル識別子。
* `confidence` ([*`float_zero_to_one`*](/workflows/ja/gaido/developer-guide/kinds/float-zero-to-one.md)): 予測の信頼度しきい値。
* `class_filter` ([*`list_of_values`*](/workflows/ja/gaido/developer-guide/kinds/list-of-values.md)): 受け入れ可能なクラスの一覧。クラスはモデルの学習セットに存在している必要があります。
* `iou_threshold` ([*`float_zero_to_one`*](/workflows/ja/gaido/developer-guide/kinds/float-zero-to-one.md)): NMS で使用され、複数のボックスを 1 つの検出として統合するための、ボックス間の最小重なりしきい値。 [詳細を見る](https://blog.roboflow.com/how-to-code-non-maximum-suppression-nms-in-plain-numpy/)..
* `max_detections` ([*`整数`*](/workflows/ja/gaido/developer-guide/kinds/integer.md)): 返す検出結果の最大数。
* `class_agnostic_nms` ([*`boolean`*](/workflows/ja/gaido/developer-guide/kinds/boolean.md)): NMS をクラス非依存モードで使用するかどうかを指定するブールフラグ。
* `max_candidates` ([*`整数`*](/workflows/ja/gaido/developer-guide/kinds/integer.md)): NMS の入力として考慮する候補の最大数。
* `mask_decode_mode` ([*`string`*](/workflows/ja/gaido/developer-guide/kinds/string.md)): 予測後処理におけるマスクデコードのパラメータ。
* `tradeoff_factor` ([*`float_zero_to_one`*](/workflows/ja/gaido/developer-guide/kinds/float-zero-to-one.md)): 高速さと正確さのトレードオフを決定する後処理パラメータ。
* `disable_active_learning` ([*`boolean`*](/workflows/ja/gaido/developer-guide/kinds/boolean.md)): このブロックでプロジェクトレベルのアクティブラーニングを無効にするためのブールフラグ。
* `active_learning_target_dataset` ([*`roboflow_project`*](/workflows/ja/gaido/developer-guide/kinds/roboflow-project.md)): 有効な場合のアクティブラーニング用ターゲットデータセット。
* `enforce_dense_masks_in_inference_models` ([*`boolean`*](/workflows/ja/gaido/developer-guide/kinds/boolean.md)): 推論モデルのバックエンドを使用している場合に密なマスクを強制するためのブールフラグです（その他の場合は無関係です）。密なマスクは処理が速いですが、より多くのメモリを必要とします。Roboflow のサーバーレスプラットフォーム上で実行する場合、ユーザーはこのフラグを調整できません。
* 出力
* `inference_id` ([`string`](/workflows/ja/gaido/developer-guide/kinds/string.md)) : 文字列値。
* `predictions` ([`instance_segmentation_prediction`](/workflows/ja/gaido/developer-guide/kinds/instance-segmentation-prediction.md)): 検出されたバウンディングボックスとセグメンテーションマスクを sv.Detections(...) オブジェクトの形式で持つ予測。
JSON 定義の例
```json
{
"name": "",
"type": "roboflow_core/roboflow_instance_segmentation_model@v1",
"images": "$inputs.image",
"model_id": "my_project/3",
"confidence": 0.3,
"class_filter": [
"a",
"b",
"c"
],
"iou_threshold": 0.4,
"max_detections": 300,
"class_agnostic_nms": true,
"max_candidates": 3000,
"mask_decode_mode": "accurate",
"tradeoff_factor": 0.3,
"disable_active_learning": true,
"active_learning_target_dataset": "my_project",
"enforce_dense_masks_in_inference_models": true
}
```