> 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/visualize-predictions/model-comparison-visualization.md).
# モデル比較可視化
2つの異なるモデルの予測を比較し、1つのモデルだけが物体を検出した領域を色分けして、重複する予測は変更せずに残すことで、モデル間の一致と不一致を可視化します。
## このブロックの仕組み
このブロックは、2つのモデル（Model A と Model B）からの画像と予測を受け取り、モデル間の差異を強調表示する視覚的な比較オーバーレイを作成します。このブロックは次のことを行います：
1. 画像と2組の予測（predictions\_a と predictions\_b）を入力として受け取ります
2. 各モデルが予測した領域のマスクを作成します（利用可能であればバウンディングボックスまたはセグメンテーションマスクを使用）
3. 4つの異なる領域を識別します：
* Model A のみが予測した領域（color\_a で着色、デフォルトは緑）
* Model B のみが予測した領域（color\_b で着色、デフォルトは赤）
* 両方のモデルが予測した領域（変更せず、元の画像がそのまま見えるようにする）
* どちらのモデルも予測しなかった領域（background\_color で着色、デフォルトは黒）
4. 指定された不透明度を使って、識別された領域に色付きオーバーレイを適用します
5. モデルの違いが色分けで視覚的に区別された注釈付き画像を返します
このブロックは左右比較の可視化を作成し、モデルが一致している箇所（変更なしの領域）と不一致の箇所（色分けされた領域）を簡単に把握できるようにします。両方のモデルが予測した領域は変更せずに残され、元の画像が「そのまま見える」ことで、モデルの合意点が明確に示されます。この可視化は、モデルの強み、弱み、そして検出挙動の違いを特定するのに役立ちます。このブロックは、物体検出の予測（バウンディングボックスを使用）またはインスタンスセグメンテーションの予測（マスクを使用）に対応しており、異なる種類のモデルを比較する際に柔軟に利用できます。
## 一般的な使用例
* **モデル評価と比較**：モデル評価、ベンチマーク、または選定のワークフローで、2つのモデルの検出性能を並べて比較し、どこで一致し、どこで不一致があり、また検出挙動がどう異なるかを特定します
* **モデル開発とデバッグ**：モデルのバージョン、アーキテクチャ、または設定の違いを可視化して、変更が検出挙動にどう影響するかを理解し、改善機会を見つけたり、モデル性能の問題をデバッグしたりします
* **アンサンブルモデル分析**：アンサンブルのワークフローで異なるモデルの予測を比較し、モデルの一致パターンを把握し、相補的な強みを特定し、アンサンブルの意思決定のために合意領域を分析します
* **学習データ分析**：モデル予測を正解アノテーションや学習実行間で比較し、検出差異のパターンを特定し、学習改善を検証し、データセット全体でのモデル挙動を分析します
* **A/Bテストとモデル選定**：候補モデルを視覚的に比較して相対的な性能を評価し、検出の違いを特定し、デプロイに向けた情報に基づくモデル選定を行います
* **品質保証と検証**：モデルの一貫性を検証し、エッジケースでのモデル性能を比較し、品質保証、検証、またはコンプライアンスのワークフローのためにモデル間の系統的な違いを特定します
## 他のブロックへの接続
このブロックの注釈付き画像は次のものに接続できます：
* **モデルブロック** （例：物体検出モデル、インスタンスセグメンテーションモデル）から、比較のために異なるモデルの predictions\_a と predictions\_b を受け取ります
* **データ保存ブロック** （例：ローカルファイル保存先、CSVフォーマッタ、Roboflow データセットアップロード）に比較可視化を保存し、文書化、レポート作成、または分析に利用します
* **Webhook ブロック** 比較可視化を外部システム、API、またはWebアプリケーションへ送信し、ダッシュボード、モデル監視ツール、または評価インターフェースで表示します
* **通知ブロック** （例：メール通知、Slack通知）に比較可視化を送り、モデル性能監視のためのアラートやレポートに視覚的証拠として使用します
* **ビデオ出力ブロック** モデル比較可視化を含む注釈付き動画ストリームまたは録画を作成し、ライブモデル評価、性能監視、または後処理分析に利用します
### 種別識別子
ステップで次の識別子を使用します `"type"` フィールド: `roboflow_core/model_comparison_visualization@v1` ワークフローにステップとしてブロックを追加するには。
### 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。 | ❌ |
| `copy_image` | `bool` | このオプションを有効にすると、可視化用に入力画像のコピーを作成し、元画像を保持します。複数の可視化を重ねる場合に使用します。 | ✅ |
| `color_a` | `str` | Model A のみが予測した領域（Model B が予測しなかった領域）を強調表示するための色です。色名（例：'GREEN'、'BLUE'）、16進カラーコード（例：'#00FF00'、'#FFFFFF'）、またはRGB形式（例：'rgb(0, 255, 0)'）で指定できます。デフォルトはGREENで、Model A の固有予測を示します。 | ✅ |
| `color_b` | `str` | Model B のみが予測した領域（Model A が予測しなかった領域）を強調表示するための色です。色名（例：'RED'、'BLUE'）、16進カラーコード（例：'#FF0000'、'#FFFFFF'）、またはRGB形式（例：'rgb(255, 0, 0)'）で指定できます。デフォルトはREDで、Model B の固有予測を示します。 | ✅ |
| `background_color` | `str` | どちらのモデルも予測しなかった領域に使用する色です。色名（例：'BLACK'、'GRAY'）、16進カラーコード（例：'#000000'、'#808080'）、またはRGB形式（例：'rgb(0, 0, 0)'）で指定できます。デフォルトはBLACKで、両モデルとも検出できなかった領域を示します。 | ✅ |
| `opacity` | `float` | 比較オーバーレイの不透明度で、0.0（完全に透明）から1.0（完全に不透明）までの範囲です。色分けされたオーバーレイが元の画像の上でどれだけ透けて見えるかを制御します。値が低いほど元の画像の細部がより見えやすい透明なオーバーレイになり、値が高いほど色の強調が強い不透明なオーバーレイになります。一般的には、見やすさのバランスを取るために0.5〜0.8程度がよく使われます。 | ✅ |
この **参照** 列は、で利用可能な動的値を使用し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* 詳細情報
### 入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よって異なります。どのバインディング種別が `モデル比較の可視化` のバージョン `v1` 持つか確認してください。
入出力バインディング
* 入力
* `画像` ([*`画像`*](/workflows/ja/gaido/developer-guide/kinds/image.md)）：可視化対象の画像。
* `copy_image` ([*`boolean`*](/workflows/ja/gaido/developer-guide/kinds/boolean.md)）：このオプションを有効にすると、可視化用に入力画像のコピーを作成し、元画像を保持します。複数の可視化を重ねる場合に使用します。
* `predictions_a` (*Union\[*[*`instance_segmentation_prediction`*](/workflows/ja/gaido/developer-guide/kinds/instance-segmentation-prediction.md)*,* [*`keypoint_detection_prediction`*](/workflows/ja/gaido/developer-guide/kinds/keypoint-detection-prediction.md)*,* [*`object_detection_prediction`*](/workflows/ja/gaido/developer-guide/kinds/object-detection-prediction.md)*,* [*`rle_instance_segmentation_prediction`*](/workflows/ja/gaido/developer-guide/kinds/rle-instance-segmentation-prediction.md)*]*）：Model A（比較対象の最初のモデル）からの予測です。物体検出、インスタンスセグメンテーション、またはキーポイント検出の予測を含めることができます。Model A のみが予測した領域（Model B は予測していない領域）は color\_a で着色されます。予測タイプに応じてバウンディングボックスまたはマスクを使用します。
* `color_a` ([*`string`*](/workflows/ja/gaido/developer-guide/kinds/string.md)）：Model A のみが予測した領域（Model B が予測しなかった領域）を強調表示するための色です。色名（例：'GREEN'、'BLUE'）、16進カラーコード（例：'#00FF00'、'#FFFFFF'）、またはRGB形式（例：'rgb(0, 255, 0)'）で指定できます。デフォルトはGREENで、Model A の固有予測を示します。
* `predictions_b` (*Union\[*[*`instance_segmentation_prediction`*](/workflows/ja/gaido/developer-guide/kinds/instance-segmentation-prediction.md)*,* [*`keypoint_detection_prediction`*](/workflows/ja/gaido/developer-guide/kinds/keypoint-detection-prediction.md)*,* [*`object_detection_prediction`*](/workflows/ja/gaido/developer-guide/kinds/object-detection-prediction.md)*,* [*`rle_instance_segmentation_prediction`*](/workflows/ja/gaido/developer-guide/kinds/rle-instance-segmentation-prediction.md)*]*）：Model B（比較対象の2番目のモデル）からの予測です。物体検出、インスタンスセグメンテーション、またはキーポイント検出の予測を含めることができます。Model B のみが予測した領域（Model A は予測していない領域）は color\_b で着色されます。予測タイプに応じてバウンディングボックスまたはマスクを使用します。
* `color_b` ([*`string`*](/workflows/ja/gaido/developer-guide/kinds/string.md)）：Model B のみが予測した領域（Model A が予測しなかった領域）を強調表示するための色です。色名（例：'RED'、'BLUE'）、16進カラーコード（例：'#FF0000'、'#FFFFFF'）、またはRGB形式（例：'rgb(255, 0, 0)'）で指定できます。デフォルトはREDで、Model B の固有予測を示します。
* `background_color` ([*`string`*](/workflows/ja/gaido/developer-guide/kinds/string.md)）：どちらのモデルも予測しなかった領域に使用する色です。色名（例：'BLACK'、'GRAY'）、16進カラーコード（例：'#000000'、'#808080'）、またはRGB形式（例：'rgb(0, 0, 0)'）で指定できます。デフォルトはBLACKで、両モデルとも検出できなかった領域を示します。
* `opacity` ([*`float_zero_to_one`*](/workflows/ja/gaido/developer-guide/kinds/float-zero-to-one.md)）：比較オーバーレイの不透明度で、0.0（完全に透明）から1.0（完全に不透明）までの範囲です。色分けされたオーバーレイが元の画像の上でどれだけ透けて見えるかを制御します。値が低いほど元の画像の細部がより見えやすい透明なオーバーレイになり、値が高いほど色の強調が強い不透明なオーバーレイになります。一般的には、見やすさのバランスを取るために0.5〜0.8程度がよく使われます。
* 出力
* `画像` ([`画像`](/workflows/ja/gaido/developer-guide/kinds/image.md)）：ワークフロー内の画像。
JSON 定義の例
```json
{
"name": "",
"type": "roboflow_core/model_comparison_visualization@v1",
"image": "$inputs.image",
"copy_image": true,
"predictions_a": "$steps.object_detection_model.predictions",
"color_a": "GREEN",
"predictions_b": "$steps.object_detection_model.predictions",
"color_b": "RED",
"background_color": "BLACK",
"opacity": 0.7
}
```