> 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/video-processing/path-deviation.md).

# 経路逸脱

オブジェクトと参照経路とのFréchet距離を計算します。

## v2

追跡されたオブジェクトが参照パスにどれだけ忠実に従っているかを、オブジェクトの実際の軌跡と期待される参照パスとのフレシェ距離を計算して測定し、パス遵守の監視、経路逸脱の検出、自動化システムでの品質管理、行動分析ワークフローを可能にします。

## このブロックの仕組み

このブロックは、追跡されたオブジェクトの実際の移動経路をあらかじめ定義された参照経路と比較して、逸脱を測定します。ブロックは次の処理を行います:

1. 一意の tracker\_id を持つ追跡済み検出予測、動画メタデータを埋め込んだ画像、および参照パス定義を受け取ります
2. 画像から動画メタデータを抽出します:
   * WorkflowImageData オブジェクトから video\_metadata にアクセスします
   * 異なる動画ごとに個別のパス追跡状態を維持するために video\_identifier を抽出します
   * 動画ごとにパス追跡状態を初期化し管理するために、動画メタデータを使用します
3. 検出に tracker ID があることを検証します（フレーム間でオブジェクトの移動を追跡するために必要です）
4. 動画のパス追跡状態を初期化または取得します:
   * 動画ごとに各追跡オブジェクトの位置履歴を保持します
   * video\_identifier を使用してオブジェクトのパスを保存し、動画ごとに状態を分離します
   * 初めて現れるオブジェクトの新しいパス追跡エントリを作成します
5. 各検出についてアンカーポイントの座標を抽出します:
   * tracking するバウンディングボックス上のどの点を追跡するかを triggering\_anchor で決定します（デフォルト: CENTER）
   * 現在のフレーム内の各検出について、アンカーポイントの (x, y) 座標を取得します
   * アンカーポイントは、パス比較に使用されるオブジェクトの位置を表します
6. 時間の経過とともにオブジェクトのパスを蓄積します:
   * フレームの処理に伴い、各オブジェクトのアンカーポイントをそのパス履歴に追加します
   * 一意の tracker\_id ごとに個別のパス履歴を保持します
   * 処理済みのすべてのフレームにわたって位置を蓄積し、完全な軌跡パスを構築します
7. 各追跡オブジェクトのフレシェ距離を計算します:
   * **フレシェ距離**: 位置と点の順序の両方を考慮して、2つの曲線（パス）の類似性を測定します
   * オブジェクトの蓄積されたパス（実際の軌跡）を参照パス（期待される軌跡）と比較します
   * 動的計画法を使用して、両方のパスを同時にたどるために必要な最小の「リード長」を計算します
   * 点間距離だけでなく、各パスに沿った点の順序も考慮します
   * 値が低いほどオブジェクトが参照パスに忠実に従っていることを示し、値が高いほど逸脱が大きいことを示します
8. パス逸脱を検出メタデータに保存します:
   * 各検出のメタデータにフレシェ距離の値を追加します
   * 各検出には、参照パスからどれだけ逸脱しているかを表す path\_deviation が含まれます
   * 距離はピクセル単位で測定されます（画像座標と同じ単位）
9. 永続的なパス追跡を維持します:
   * パス履歴は、動画全体を通してフレームをまたいで蓄積されます
   * 各オブジェクトの逸脱は、追跡開始時からの完全なパスに基づいて計算されます
   * 各 video\_identifier ごとに個別の追跡状態が維持されます
10. パス逸脱情報で強化された検出を返します:
    * path\_deviation メタデータを追加した検出オブジェクトを出力します
    * 各検出には、参照パスからの逸脱を測定するフレシェ距離が含まれるようになります

フレシェ距離は、2つの曲線をそれぞれの曲線に沿って動く点同士を結ぶ「リード」の最小長を見つけることで、その類似性を測定する指標です。両方の点は、それぞれの曲線に沿って前進します。単純なユークリッド距離とは異なり、フレシェ距離はパスに沿った点の順序と連続性を考慮するため、移動の順序が重要な軌跡の比較に最適です。参照パスに完全に従うオブジェクトのフレシェ距離は 0 となり、大きく逸脱するオブジェクトほど距離は大きくなります。

## 一般的な使用例

* **パス遵守監視**: 車両、ロボット、またはオブジェクトが定義済みの経路に従っているかを監視します（例: 車両が車線内にとどまっているかを確認する、ロボットがプログラムされた経路に従うかを確認する、オブジェクトが期待される経路に従うことを保証する）、コンプライアンス監視ワークフローを可能にします
* **品質管理**: 製造または組立工程で、オブジェクトが特定の経路に従うべき場合の逸脱を検出します（例: コンベアベルトの逸脱を検出する、組立ラインの経路を監視する、製品の移動パターンを確認する）、品質管理ワークフローを可能にします
* **交通分析**: 車両の移動パターンを分析し、車線逸脱や経路逸脱を検出します（例: 車両の車線逸脱を検出する、経路遵守を監視する、交通パターンの順守を分析する）、交通分析ワークフローを可能にします
* **セキュリティ監視**: セキュリティシナリオで、不審な移動パターンや期待される経路からの逸脱を検出します（例: 不正な経路逸脱を検出する、境界侵害の試みを監視する、移動の遵守を追跡する）、セキュリティ監視ワークフローを可能にします
* **自動化システム**: 自動化システム（ロボット、AGV、ドローン）が期待される経路を正しくたどっているかを監視・検証します（例: ロボットのナビゲーション精度を確認する、自動搬送車の経路を確認する、ドローンの飛行経路を検証する）、自動化システム検証ワークフローを可能にします
* **行動分析**: 行動研究において移動パターンと経路順守を研究します（例: 動物の移動パターンを分析する、経路追従行動を研究する、経路選好の逸脱を測定する）、行動研究ワークフローを可能にします

## 他のブロックへの接続

このブロックは、追跡済み検出、動画メタデータを埋め込んだ画像、および参照パスを受け取り、path\_deviation メタデータで強化された検出を生成します:

* **Byte Tracker ブロックの後** 追跡オブジェクトのパス逸脱を測定するために（例: 追跡車両のパス遵守を測定する、追跡人物の経路順守を分析する、追跡オブジェクトのパス逸脱を監視する）、追跡からパス分析へのワークフローを可能にします
* **オブジェクト検出またはインスタンスセグメンテーションブロックの後** 追跡を有効にして移動経路を分析するために（例: 車両の経路を分析する、オブジェクトの経路遵守を追跡する、パス逸脱を測定する）、検出からパス分析へのワークフローを可能にします
* **可視化ブロックの前** パス逸脱情報を表示するために（例: パスと逸脱を可視化する、参照パスと実際のパスを表示する、逸脱指標を示す）、パス逸脱可視化ワークフローを可能にします
* **ロジックブロックの前** Continue If のようなものを使って、パス逸脱の閾値に基づいて判断します（例: 逸脱が上限を超えたら続行する、パス遵守に基づいてフィルタする、経路違反でアクションをトリガーする）、パスベースの意思決定ワークフローを可能にします
* **通知ブロックの前に** パス逸脱や遵守違反について警告するために（例: 経路逸脱を通知する、パス遵守の問題を通知する、逸脱ベースのアラートをトリガーする）、パスベースの通知ワークフローを可能にします
* **データ保存ブロックの前に** パス逸脱の測定値を記録するために（例: パス遵守データをログに記録する、逸脱統計を保存する、経路順守メトリクスを記録する）、パス逸脱データのログ記録ワークフローを可能にします

## バージョンの違い

**v1 からの強化点：**

* **簡素化された入力**: `image` 埋め込みビデオメタデータを含む `メタデータ` 入力を使用し、別個の
* **統合の改善**: 画像オブジェクトから直接ビデオメタデータにアクセスできるため、画像ベースのワークフローとの統合が向上し、別個のメタデータ入力を必要としません

## 要件

このブロックは、tracker\_id 情報を含む追跡済み検出を必要とします（検出は Byte Tracker のような追跡ブロックから来ている必要があります）。参照パスは少なくとも 2 点のリストとして定義する必要があり、各点はちょうど 2 つの座標 (x, y) を持つタプルまたはリストでなければなりません。画像の video\_metadata には、異なる動画ごとに個別のパス追跡状態を維持するための video\_identifier が含まれている必要があります。このブロックは、各動画についてフレーム間で永続的にパス追跡を維持し、完全な軌跡を蓄積するため、フレームが順次処理される動画ワークフローで使用する必要があります。正確なパス逸脱の測定のために、検出は有効な tracker\_id を持つ状態でフレーム間で一貫して提供される必要があります。フレシェ距離はピクセル単位で計算されます（画像座標と同じ単位）。

### タイプ識別子

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/path_deviation_analytics@v2` を、ワークフローにステップとして追加します。

### 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。                                                                                                                                                                                   | ❌  |
| `triggering_anchor` | `str`       | パス計算のためにオブジェクト位置を追跡するために使用されるバウンディングボックス上の点。オプションには CENTER（デフォルト）、BOTTOM\_CENTER、TOP\_CENTER、CENTER\_LEFT、CENTER\_RIGHT などがあります。このアンカーポイントの座標はフレームをまたいで蓄積され、オブジェクトの軌跡パスが構築されます。その後、フレシェ距離を用いて参照パスと比較されます。 | ✅  |
| `reference_path`    | `List[Any]` | 少なくとも 2 点のリストとしての期待される参照パス。各点は \[x, y] 座標を持つタプルまたはリストです。例: \[(100, 200), (200, 300), (300, 400)] は 3 点のパスを定義します。フレシェ距離は、追跡されたオブジェクトがこの参照パスにどれだけ忠実に従っているかを測定します。点は期待される軌跡に沿って順序付けられている必要があります。             | ✅  |

この **参照** この列は、 `workflow` の実行時に利用可能な動的値でプロパティをパラメータ化できる可能性を示します。 *バインディング* の詳細を参照してください。

### 実行時互換性

`ソフト` - ランタイム `hosted_serverless`, `dedicated_deployment`; 実行 `リモート`; 入力 `動画` : このブロックは、動画ごとの状態をプロセスメモリ内に保持します（video\_metadata.video\_identifierでキー付け）。ステートレスまたは複数レプリカのHTTPランタイムでリモートステップ実行を行うと、連続したリクエストが異なるワーカープロセスで処理される可能性があるため、呼び出し間で状態がリセットされ、トラッキング／カウント／集計には出力が無意味になります。フレーム間で安定した結果を得るには、InferencePipeline内でローカルステップ実行を使用してください。

`ソフト` - 入力 `image` : このブロックは、動画または繰り返しフレームのワークフローからの時間的コンテキストに依存します。静止画像／写真では、追跡、比較、集計、可視化に意味のある履歴がないため、このブロックの利点はほとんど、またはまったくありません。

### 入力および出力バインディング

利用可能な接続は、そのバインディング種別に依存します。 `経路偏差` バージョン `v2` に、どのバインディング種別があるか確認してください。

<details>

<summary>入力と出力のバインディング</summary>

* input
  * `image` ([*`image`*](https://docs.roboflow.com/workflows/ja/gaido/developer-guide/kinds/image.md)): 動画メタデータを埋め込んだ画像。video\_metadata には、異なる動画ごとに個別のパス追跡状態を維持するための video\_identifier が含まれています。フレーム間でパスを永続的に蓄積するために必要です。
  * `detections` (*Union\[*[*`instance_segmentation_prediction`*](https://docs.roboflow.com/workflows/ja/gaido/developer-guide/kinds/instance-segmentation-prediction.md)*,* [*`object_detection_prediction`*](https://docs.roboflow.com/workflows/ja/gaido/developer-guide/kinds/object-detection-prediction.md)*]*): 追跡されたオブジェクトの検出またはインスタンスセグメンテーション予測。追跡ブロックからの tracker\_id 情報を含める必要があります。このブロックは、オブジェクトの軌跡を構築するためにフレーム間でアンカーポイントの位置を追跡し、それらを参照パスと比較します。出力される検出には、参照パスからのフレシェ距離を含む path\_deviation メタデータが含まれます。
  * `triggering_anchor` ([*`string`*](https://docs.roboflow.com/workflows/ja/gaido/developer-guide/kinds/string.md)): パス計算のためにオブジェクト位置を追跡するために使用されるバウンディングボックス上の点。オプションには CENTER（デフォルト）、BOTTOM\_CENTER、TOP\_CENTER、CENTER\_LEFT、CENTER\_RIGHT などがあります。このアンカーポイントの座標はフレームをまたいで蓄積され、オブジェクトの軌跡パスが構築されます。その後、フレシェ距離を用いて参照パスと比較されます。
  * `reference_path` ([*`list_of_values`*](https://docs.roboflow.com/workflows/ja/gaido/developer-guide/kinds/list-of-values.md)): 少なくとも 2 点のリストとしての期待される参照パス。各点は \[x, y] 座標を持つタプルまたはリストです。例: \[(100, 200), (200, 300), (300, 400)] は 3 点のパスを定義します。フレシェ距離は、追跡されたオブジェクトがこの参照パスにどれだけ忠実に従っているかを測定します。点は期待される軌跡に沿って順序付けられている必要があります。
* output
  * `path_deviation_detections` (*Union\[*[*`object_detection_prediction`*](https://docs.roboflow.com/workflows/ja/gaido/developer-guide/kinds/object-detection-prediction.md)*,* [*`instance_segmentation_prediction`*](https://docs.roboflow.com/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をsv.Detections(...)オブジェクト形式で持つ予測、もし `object_detection_prediction` 、または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(...)オブジェクト形式で持つ予測、もし `instance_segmentation_prediction`.

</details>

<details>

<summary>JSON定義の例</summary>

```json
{
	    "name": "<your_step_name_here>",
	    "type": "roboflow_core/path_deviation_analytics@v2",
	    "image": "<block_does_not_provide_example>",
	    "detections": "$steps.object_detection_model.predictions",
	    "triggering_anchor": "CENTER",
	    "reference_path": [
	        [
	            100,
	            200
	        ],
	        [
	            200,
	            300
	        ],
	        [
	            300,
	            400
	        ]
	    ]
	}
```

</details>

## v1

追跡されたオブジェクトが参照パスにどれだけ忠実に従っているかを、オブジェクトの実際の軌跡と期待される参照パスとのフレシェ距離を計算して測定し、パス遵守の監視、経路逸脱の検出、自動化システムでの品質管理、行動分析ワークフローを可能にします。

## このブロックの仕組み

このブロックは、追跡されたオブジェクトの実際の移動経路をあらかじめ定義された参照経路と比較して、逸脱を測定します。ブロックは次の処理を行います:

1. 一意の tracker ID を持つ追跡済み検出予測、動画メタデータ、および参照パス定義を受け取ります
2. 検出に tracker ID があることを検証します（フレーム間でオブジェクトの移動を追跡するために必要です）
3. 動画のパス追跡状態を初期化または取得します:
   * 動画ごとに各追跡オブジェクトの位置履歴を保持します
   * video\_identifier を使用してオブジェクトのパスを保存し、動画ごとに状態を分離します
   * 初めて現れるオブジェクトの新しいパス追跡エントリを作成します
4. 各検出についてアンカーポイントの座標を抽出します:
   * tracking するバウンディングボックス上のどの点を追跡するかを triggering\_anchor で決定します（デフォルト: CENTER）
   * 現在のフレーム内の各検出について、アンカーポイントの (x, y) 座標を取得します
   * アンカーポイントは、パス比較に使用されるオブジェクトの位置を表します
5. 時間の経過とともにオブジェクトのパスを蓄積します:
   * フレームの処理に伴い、各オブジェクトのアンカーポイントをそのパス履歴に追加します
   * 一意の tracker\_id ごとに個別のパス履歴を保持します
   * 処理済みのすべてのフレームにわたって位置を蓄積し、完全な軌跡パスを構築します
6. 各追跡オブジェクトのフレシェ距離を計算します:
   * **フレシェ距離**: 位置と点の順序の両方を考慮して、2つの曲線（パス）の類似性を測定します
   * オブジェクトの蓄積されたパス（実際の軌跡）を参照パス（期待される軌跡）と比較します
   * 動的計画法を使用して、両方のパスを同時にたどるために必要な最小の「リード長」を計算します
   * 点間距離だけでなく、各パスに沿った点の順序も考慮します
   * 値が低いほどオブジェクトが参照パスに忠実に従っていることを示し、値が高いほど逸脱が大きいことを示します
7. パス逸脱を検出メタデータに保存します:
   * 各検出のメタデータにフレシェ距離の値を追加します
   * 各検出には、参照パスからどれだけ逸脱しているかを表す path\_deviation が含まれます
   * 距離はピクセル単位で測定されます（画像座標と同じ単位）
8. 永続的なパス追跡を維持します:
   * パス履歴は、動画全体を通してフレームをまたいで蓄積されます
   * 各オブジェクトの逸脱は、追跡開始時からの完全なパスに基づいて計算されます
   * 各 video\_identifier ごとに個別の追跡状態が維持されます
9. パス逸脱情報で強化された検出を返します:
   * path\_deviation メタデータを追加した検出オブジェクトを出力します
   * 各検出には、参照パスからの逸脱を測定するフレシェ距離が含まれるようになります

フレシェ距離は、2つの曲線をそれぞれの曲線に沿って動く点同士を結ぶ「リード」の最小長を見つけることで、その類似性を測定する指標です。両方の点は、それぞれの曲線に沿って前進します。単純なユークリッド距離とは異なり、フレシェ距離はパスに沿った点の順序と連続性を考慮するため、移動の順序が重要な軌跡の比較に最適です。参照パスに完全に従うオブジェクトのフレシェ距離は 0 となり、大きく逸脱するオブジェクトほど距離は大きくなります。

## 一般的な使用例

* **パス遵守監視**: 車両、ロボット、またはオブジェクトが定義済みの経路に従っているかを監視します（例: 車両が車線内にとどまっているかを確認する、ロボットがプログラムされた経路に従うかを確認する、オブジェクトが期待される経路に従うことを保証する）、コンプライアンス監視ワークフローを可能にします
* **品質管理**: 製造または組立工程で、オブジェクトが特定の経路に従うべき場合の逸脱を検出します（例: コンベアベルトの逸脱を検出する、組立ラインの経路を監視する、製品の移動パターンを確認する）、品質管理ワークフローを可能にします
* **交通分析**: 車両の移動パターンを分析し、車線逸脱や経路逸脱を検出します（例: 車両の車線逸脱を検出する、経路遵守を監視する、交通パターンの順守を分析する）、交通分析ワークフローを可能にします
* **セキュリティ監視**: セキュリティシナリオで、不審な移動パターンや期待される経路からの逸脱を検出します（例: 不正な経路逸脱を検出する、境界侵害の試みを監視する、移動の遵守を追跡する）、セキュリティ監視ワークフローを可能にします
* **自動化システム**: 自動化システム（ロボット、AGV、ドローン）が期待される経路を正しくたどっているかを監視・検証します（例: ロボットのナビゲーション精度を確認する、自動搬送車の経路を確認する、ドローンの飛行経路を検証する）、自動化システム検証ワークフローを可能にします
* **行動分析**: 行動研究において移動パターンと経路順守を研究します（例: 動物の移動パターンを分析する、経路追従行動を研究する、経路選好の逸脱を測定する）、行動研究ワークフローを可能にします

## 他のブロックへの接続

このブロックは、追跡済み検出、動画メタデータ、および参照パスを受け取り、path\_deviation メタデータで強化された検出を生成します:

* **Byte Tracker ブロックの後** 追跡オブジェクトのパス逸脱を測定するために（例: 追跡車両のパス遵守を測定する、追跡人物の経路順守を分析する、追跡オブジェクトのパス逸脱を監視する）、追跡からパス分析へのワークフローを可能にします
* **オブジェクト検出またはインスタンスセグメンテーションブロックの後** 追跡を有効にして移動経路を分析するために（例: 車両の経路を分析する、オブジェクトの経路遵守を追跡する、パス逸脱を測定する）、検出からパス分析へのワークフローを可能にします
* **可視化ブロックの前** パス逸脱情報を表示するために（例: パスと逸脱を可視化する、参照パスと実際のパスを表示する、逸脱指標を示す）、パス逸脱可視化ワークフローを可能にします
* **ロジックブロックの前** Continue If のようなものを使って、パス逸脱の閾値に基づいて判断します（例: 逸脱が上限を超えたら続行する、パス遵守に基づいてフィルタする、経路違反でアクションをトリガーする）、パスベースの意思決定ワークフローを可能にします
* **通知ブロックの前に** パス逸脱や遵守違反について警告するために（例: 経路逸脱を通知する、パス遵守の問題を通知する、逸脱ベースのアラートをトリガーする）、パスベースの通知ワークフローを可能にします
* **データ保存ブロックの前に** パス逸脱の測定値を記録するために（例: パス遵守データをログに記録する、逸脱統計を保存する、経路順守メトリクスを記録する）、パス逸脱データのログ記録ワークフローを可能にします

## 要件

このブロックは、tracker\_id 情報を含む追跡済み検出を必要とします（検出は Byte Tracker のような追跡ブロックから来ている必要があります）。参照パスは少なくとも 2 点のリストとして定義する必要があり、各点はちょうど 2 つの座標 (x, y) を持つタプルまたはリストでなければなりません。このブロックは、異なる動画ごとに個別のパス追跡状態を維持するための video\_identifier を含む動画メタデータを必要とします。このブロックは、各動画についてフレーム間で永続的にパス追跡を維持し、完全な軌跡を蓄積するため、フレームが順次処理される動画ワークフローで使用する必要があります。正確なパス逸脱の測定のために、検出は有効な tracker ID を持つ状態でフレーム間で一貫して提供される必要があります。フレシェ距離はピクセル単位で計算されます（画像座標と同じ単位）。

### タイプ識別子

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/path_deviation_analytics@v1` を、ワークフローにステップとして追加します。

### 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。                                                                                                                                                                             | ❌  |
| `triggering_anchor` | `str`       | パス計算のためにオブジェクト位置を追跡するために使用されるバウンディングボックス上の点。オプション: CENTER（デフォルト）、BOTTOM\_CENTER、TOP\_CENTER、CENTER\_LEFT、CENTER\_RIGHT など。このアンカーポイントの座標はフレームをまたいで蓄積され、オブジェクトの軌跡パスが構築されます。その後、フレシェ距離を用いて参照パスと比較されます。 | ✅  |
| `reference_path`    | `List[Any]` | 少なくとも 2 点のリストとしての期待される参照パス。各点は \[x, y] 座標を持つタプルまたはリストです。例: \[(100, 200), (200, 300), (300, 400)] は 3 点のパスを定義します。フレシェ距離は、追跡されたオブジェクトがこの参照パスにどれだけ忠実に従っているかを測定します。点は期待される軌跡に沿って順序付けられている必要があります。       | ✅  |

この **参照** この列は、 `workflow` の実行時に利用可能な動的値でプロパティをパラメータ化できる可能性を示します。 *バインディング* の詳細を参照してください。

### 実行時互換性

`ソフト` - ランタイム `hosted_serverless`, `dedicated_deployment`; 実行 `リモート`; 入力 `動画` : このブロックは、動画ごとの状態をプロセスメモリ内に保持します（video\_metadata.video\_identifierでキー付け）。ステートレスまたは複数レプリカのHTTPランタイムでリモートステップ実行を行うと、連続したリクエストが異なるワーカープロセスで処理される可能性があるため、呼び出し間で状態がリセットされ、トラッキング／カウント／集計には出力が無意味になります。フレーム間で安定した結果を得るには、InferencePipeline内でローカルステップ実行を使用してください。

`ソフト` - 入力 `image` : このブロックは、動画または繰り返しフレームのワークフローからの時間的コンテキストに依存します。静止画像／写真では、追跡、比較、集計、可視化に意味のある履歴がないため、このブロックの利点はほとんど、またはまったくありません。

### 入力および出力バインディング

利用可能な接続は、そのバインディング種別に依存します。 `経路偏差` バージョン `v1` に、どのバインディング種別があるか確認してください。

<details>

<summary>入力と出力のバインディング</summary>

* input
  * `メタデータ` ([*`video_metadata`*](https://docs.roboflow.com/workflows/ja/gaido/developer-guide/kinds/video-metadata.md)): 異なる動画ごとに個別のパス追跡状態を維持するための video\_identifier を含む動画メタデータ。フレーム間でのパスの永続的な蓄積に必要です。
  * `detections` (*Union\[*[*`instance_segmentation_prediction`*](https://docs.roboflow.com/workflows/ja/gaido/developer-guide/kinds/instance-segmentation-prediction.md)*,* [*`object_detection_prediction`*](https://docs.roboflow.com/workflows/ja/gaido/developer-guide/kinds/object-detection-prediction.md)*]*): 追跡されたオブジェクトの検出またはインスタンスセグメンテーション予測。追跡ブロックからの tracker\_id 情報を含める必要があります。このブロックは、オブジェクトの軌跡を構築するためにフレーム間でアンカーポイントの位置を追跡し、それらを参照パスと比較します。出力される検出には、参照パスからのフレシェ距離を含む path\_deviation メタデータが含まれます。
  * `triggering_anchor` ([*`string`*](https://docs.roboflow.com/workflows/ja/gaido/developer-guide/kinds/string.md)パス計算のためにオブジェクト位置を追跡するために使用されるバウンディングボックス上の点。オプション: CENTER（デフォルト）、BOTTOM\_CENTER、TOP\_CENTER、CENTER\_LEFT、CENTER\_RIGHT など。このアンカーポイントの座標はフレームをまたいで蓄積され、オブジェクトの軌跡パスが構築されます。その後、フレシェ距離を用いて参照パスと比較されます。
  * `reference_path` ([*`list_of_values`*](https://docs.roboflow.com/workflows/ja/gaido/developer-guide/kinds/list-of-values.md)): 少なくとも 2 点のリストとしての期待される参照パス。各点は \[x, y] 座標を持つタプルまたはリストです。例: \[(100, 200), (200, 300), (300, 400)] は 3 点のパスを定義します。フレシェ距離は、追跡されたオブジェクトがこの参照パスにどれだけ忠実に従っているかを測定します。点は期待される軌跡に沿って順序付けられている必要があります。
* output
  * `path_deviation_detections` (*Union\[*[*`object_detection_prediction`*](https://docs.roboflow.com/workflows/ja/gaido/developer-guide/kinds/object-detection-prediction.md)*,* [*`instance_segmentation_prediction`*](https://docs.roboflow.com/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をsv.Detections(...)オブジェクト形式で持つ予測、もし `object_detection_prediction` 、または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(...)オブジェクト形式で持つ予測、もし `instance_segmentation_prediction`.

</details>

<details>

<summary>JSON定義の例</summary>

```json
{
	    "name": "<your_step_name_here>",
	    "type": "roboflow_core/path_deviation_analytics@v1",
	    "metadata": "<block_does_not_provide_example>",
	    "detections": "$steps.object_detection_model.predictions",
	    "triggering_anchor": "CENTER",
	    "reference_path": [
	        [
	            100,
	            200
	        ],
	        [
	            200,
	            300
	        ],
	        [
	            300,
	            400
	        ]
	    ]
	}
```

</details>
