> 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/gou-zhu/build-a-workflow.md).

# Workflow を構築

エディタの Builder Assist モードと自動レイアウトを使って、ブロックを追加して接続し Workflow を構築します。

ワークフローはブロックで構成されます。ブロックは、モデル推論の実行、ロジック処理、外部サービスとの連携など、特定のタスクを実行します。

利用可能なブロックの一覧について詳しくは、 [ブロックのドキュメント](https://docs.roboflow.com/workflows/ja/burokku/blocks.md).

### 概要

このガイドでは、物体検出モデルを実行し、予測結果を数えて、モデルの結果を可視化する4ブロックのワークフローを作成します。手順に沿って進めるには、こちらの [完成版ワークフローテンプレート](https://app.roboflow.com/workflows/embed/eyJhbGciOiJIUzI1NiIsInR5cCI6IkpXVCJ9.eyJ3b3JrZmxvd0lkIjoiMmdqakJxMDV3Q01ac1hHM3hkeFAiLCJ3b3Jrc3BhY2VJZCI6ImtyT1RBYm5jRmhvUU1DZExPbGU0IiwidXNlcklkIjoiSW1GTElaU2tHYk55OXpiNFV1cWxNelBScHBRMiIsImlhdCI6MTczODE4ODk5MH0.f72WI5bdjtnwC8iqXF_XiUVarfOktIAH1egpsI0Oh4Q) を使用してください。

{% embed url="<https://app.roboflow.com/workflows/embed/eyJhbGciOiJIUzI1NiIsInR5cCI6IkpXVCJ9.eyJ3b3JrZmxvd0lkIjoiMmdqakJxMDV3Q01ac1hHM3hkeFAiLCJ3b3Jrc3BhY2VJZCI6ImtyT1RBYm5jRmhvUU1DZExPbGU0IiwidXNlcklkIjoiSW1GTElaU2tHYk55OXpiNFV1cWxNelBScHBRMiIsImlhdCI6MTczODE4ODk5MH0.f72WI5bdjtnwC8iqXF_XiUVarfOktIAH1egpsI0Oh4Q>" fullWidth="false" %}

<figure><img src="https://4077895066-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FoO0Ceoy9R0lHDZATcPyh%2Fuploads%2Fgit-blob-3320b2627ac743a17afb97f63c70993b4cbe3b51%2FCleanShot%202025-01-29%20at%2015.25.03%402x.png?alt=media" alt="" width="563"><figcaption><p>検出・カウント・可視化ワークフロー</p></figcaption></figure>

### ブロックの接続

作成を始める前に、ブロックの接続方法を理解しておくことが重要です。

ブロックを特定の位置に追加するには、直前のブロックを入力として使用する必要があります。たとえば、上のワークフローでは、 *プロパティ定義* ブロックは、入力としてモデルブロックを使用するため、 *物体検出* ブロックの後に配置されています。 *バウンディングボックスの可視化* ブロックは、 *プロパティ定義* ブロックの出力は使わず、モデルの出力を参照するため、右側に配置されています。

<figure><img src="https://4077895066-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FoO0Ceoy9R0lHDZATcPyh%2Fuploads%2Fgit-blob-79fa8c10219b4a7e8e0696acceae5e297f05f70f%2FCleanShot%202025-01-29%20at%2016.31.28%402x.png?alt=media" alt=""><figcaption><p>モデル比較ワークフロー</p></figcaption></figure>

上のワークフロー例には4つの独立した経路があります。各分岐は実行時に並列して処理され、ほかの分岐のブロックを入力として必要としないためです。

### ビルダーアシスト

ビルダーアシストでは、ブロックの接続や挿入時にワークフローエディターがどの程度サポートするかを設定できます。右上のナビゲーションバーにある切り替えボタンでモードを変更できます。

モードは3種類あります。

* **自動** （デフォルト）：ブロックの接続時や挿入時に、互換性のある入力フィールドと出力フィールドを自動的に接続します。また、ブロックを削除または切断すると、後続の参照も自動的に修正します。
* **クイック**：接続候補やブロックの推奨を表示しますが、明示的に承認した場合にのみ適用します。ビルダーに変更を任せず、ガイダンスだけを受けたい場合に便利です。
* **手動**：候補も自動接続もありません。すべての接続を自分で設定します。

選択したモードはローカルに保存されるため、次回以降のセッションにも引き継がれます。

### ブロックの配置

ワークフローエディターでは、ブロックを自動で配置できます。自動レイアウトボタン（エディターのツールバーにあるサイトマップアイコン）をクリックすると、現在のブロックが配置され、画面内に収まるよう調整されます。

ボタンの横にある山形アイコンをクリックすると、2つのオプションを含むメニューが開きます。

* 「今すぐ配置」：ボタンをクリックした場合と同じように、レイアウトを1回実行します。
* 「自動配置」：オンにすると、ブロックを追加したり接続を変更したりするたびに、エディターがブロックを再配置します。ブロックをドラッグするとこのモードが一時停止し、手動で配置したレイアウトが維持されます。

選択内容はワークフローごとにローカルに保存されます。

### ワークフローの作成

#### 物体検出モデル

まず、 *物体検出モデル* ブロックを追加します。公開されている事前学習済みモデル（ [COCO](https://universe.roboflow.com/microsoft/coco)で学習したYOLOv8nなど）か、ワークスペース内のファインチューニング済みモデルを選択できます。ここでは、人物と車両を検出するため、事前学習済みの *yolov8n* モデルを使用します。

<figure><img src="https://4077895066-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FoO0Ceoy9R0lHDZATcPyh%2Fuploads%2Fgit-blob-bc18512f57a057976473b7d03cc7ee3a884e67e3%2FCleanShot%202025-01-29%20at%2015.30.31%402x.png?alt=media" alt="" width="344"><figcaption></figcaption></figure>

物体検出ブロックには必須の画像パラメーターがあり、モデルが推論する対象を指定します。任意のパラメーターもいくつかあり、主なものを以下で詳しく説明します。

* クラスフィルター：モデルが返すクラスの一覧です。注：モデルが返すのは、学習時に使用されたクラスのみです。このフィルターを使うと、不要なクラスを除外できます。
* 信頼度：この値を下回る信頼度の物体は返されません。
* IoUしきい値：しきい値を高くすると、重複する予測結果がより多く返されます。0.9の場合、重なりが90%以下の物体が返されます。一方、0.1の場合、重なりが10%を超える物体は含まれません。
* 最大検出数：モデルが返す物体の最大数
* クラス非依存NMS：重複のフィルタリングで、同じクラスのオブジェクトのみを比較して除外するか、すべてのクラスのオブジェクトを比較して除外するかを指定します

#### プロパティ定義

プロパティ定義ブロックを使用すると、画像サイズ、予測されたクラス、検出されたオブジェクトの数など、データから必要な情報を抽出できます。この例では、物体検出モデルが検出したオブジェクトの数を数えます。

<figure><img src="https://lh7-rt.googleusercontent.com/docsz/AD_4nXc507UbRnkEH6XMdrfmwVZbHcK6x6K5THwnt1RmEk8iXSojwvmiA_q6KwRXV9bJudYnW7NMTQKKb9GqGxm_P0VjbuOoGWcDsM5NoQckl9jV4YcjYQFIvYoCgvd_YnQTNJLlwdbZwA?key=yGJPQzp1abf4J7pT0mnBw8w4" alt="" width="375"><figcaption></figcaption></figure>

「 *データ* 」プロパティでは、モデルの予測を参照します。「 *操作*」で「アイテム数をカウント」を選択します。この設定により、物体検出モデルによる予測数が返されます。

#### バウンディングボックスの可視化

モデルの結果を可視化するには、バウンディングボックスの可視化ブロックを追加します。「 *画像* パラメーターで入力画像を選択します。予測には、モデルの結果を選択します。オプションの設定プロパティを使用して、バウンディングボックスの色とサイズを変更することもできます。

<figure><img src="https://4077895066-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FoO0Ceoy9R0lHDZATcPyh%2Fuploads%2Fgit-blob-c02309fdf720d80b86c1de59ed126c7b7d9a2f9d%2FCleanShot%202025-01-29%20at%2015.31.50%402x.png?alt=media" alt="" width="342"><figcaption></figcaption></figure>

#### ラベルの可視化

バウンディングボックスを描画するだけでなく、予測のクラス名も表示します。そのためには、次の *ラベルの可視化* ブロックをバウンディングボックスの可視化の後に追加します。同じ画像にバウンディングボックスとラベルの両方を描画するには、入力画像ではなく、参照入力画像として *bounding\_box\_visualization* 画像を設定します。これにより、バウンディングボックスの上にラベルが描画されます。

<figure><img src="https://4077895066-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FoO0Ceoy9R0lHDZATcPyh%2Fuploads%2Fgit-blob-cdcb7551292e790e706a1451b75bd3dcca6b28eb%2FCleanShot%202025-01-29%20at%2016.17.06%402x.png?alt=media" alt="" width="343"><figcaption></figcaption></figure>

オプションの *テキスト* クラス名、信頼度、クラス名と信頼度の表示を切り替えるためのパラメーター。

### 変更を保存する

「保存」をクリックすると、変更が下書きとして保存されます。ワークフローエディターでは、編集中に変更が自動保存されません。

変更を反映するには、必要なチェックと手動承認に合格した後、ワークフローを公開します。

ワークフローが完成したので、テストしてみましょう。

### 例：2段階のワークフロー

単一モデルのワークフローに慣れたら、次によく使われるパターンは、最初のモデルの出力に2つ目のモデルをつなげることです。この例では、犬を検出し、各検出領域を切り抜いて、それぞれの切り抜き画像から犬種を分類し、その犬種を元のバウンディングボックスに書き戻します。

1. **物体検出モデル** - ブロックを追加し、次を選択します： `rfdetr-small` モデル。
2. **動的クロップ** - 最初のモデルが検出したオブジェクトをクロップします。その *画像* プロパティをワークフローの入力画像に設定し、 *予測* プロパティを検出モデルの予測に設定します。
3. **分類モデル** - 各クロップに対して実行します。Roboflow Universe のモデル `dog-breed-xpaq6/1` そしてブロックの *画像* プロパティを `crops` Dynamic Cropブロックの出力に設定します。
4. **検出クラスの置換** - 各クロップの予測クラスを対応するバウンディングボックスに割り当てます。物体検出の予測結果と分類結果への参照を受け取ります。
5. **バウンディングボックスの可視化** 次に **ラベルの可視化** - 2つを連結し、1つ目には `$inputs.image` を読み込ませ、2つ目には1つ目の出力画像を読み込ませます。どちらも「Detections Classes Replacement」ステップの予測を参照します。
6. **出力** - 置き換え後のクラスを持つ検出結果と、最終的な可視化を選択します。

<figure><img src="https://media.roboflow.com/inference/workflow_visualisation_result.png" alt="Dog breed classification result"><figcaption><p>2段階ワークフローの結果</p></figcaption></figure>

クロップは入力画像より1階層深い位置にあるため、分類結果は各画像の結果内にネストされます。このネストの仕組みについては、 [ワークフローの実行](https://docs.roboflow.com/workflows/ja/gaido/developer-guide/workflow-execution.md) をご覧ください。

<details>

<summary>この例のワークフロー定義</summary>

このワークフローを再現するには、エディターに貼り付けてください。

```json
{
  "version": "1.0",
  "inputs": [
    {
      "type": "InferenceImage",
      "name": "image"
    }
  ],
  "steps": [
    {
      "type": "roboflow_core/roboflow_object_detection_model@v1",
      "name": "model",
      "images": "$inputs.image",
      "model_id": "rfdetr-small"
    },
    {
      "type": "roboflow_core/dynamic_crop@v1",
      "name": "dynamic_crop",
      "images": "$inputs.image",
      "predictions": "$steps.model.predictions"
    },
    {
      "type": "roboflow_core/roboflow_classification_model@v1",
      "name": "model_1",
      "images": "$steps.dynamic_crop.crops",
      "model_id": "dog-breed-xpaq6/1"
    },
    {
      "type": "roboflow_core/detections_classes_replacement@v1",
      "name": "detections_classes_replacement",
      "object_detection_predictions": "$steps.model.predictions",
      "classification_predictions": "$steps.model_1.predictions"
    },
    {
      "type": "roboflow_core/bounding_box_visualization@v1",
      "name": "bounding_box_visualization",
      "predictions": "$steps.detections_classes_replacement.predictions",
      "image": "$inputs.image"
    },
    {
      "type": "roboflow_core/label_visualization@v1",
      "name": "label_visualization",
      "predictions": "$steps.detections_classes_replacement.predictions",
      "image": "$steps.bounding_box_visualization.image"
    }
  ],
  "outputs": [
    {
      "type": "JsonField",
      "name": "detections",
      "coordinates_system": "own",
      "selector": "$steps.detections_classes_replacement.predictions"
    },
    {
      "type": "JsonField",
      "name": "visualisation",
      "coordinates_system": "own",
      "selector": "$steps.label_visualization.image"
    }
  ]
}
```

</details>

上記のJSONの構文については、 [ワークフロー定義の構文](https://docs.roboflow.com/workflows/ja/gaido/developer-guide/definitions.md).
