roboflow-training-and-evaluation

エージェント向け： このスキルは roboflow/computer-vision-skills で作成されています。クライアントにスキルがすでに読み込まれている場合（Roboflow プラグイン経由など）、そのコピーを使用してください。roboflow://skills/<name>/... MCP リソースは、スキルが読み込まれていないクライアント向けに同じスキルを提供します。

Roboflow でのトレーニングと評価

トレーニングの流れ

Upload/Annotate Images
  → Generate Dataset Version (preprocessing + augmentation + train/val/test split)
    → Pick Model Architecture + Size
      → Pick Checkpoint (COCO, Universe model, or previous version)
        → Train
          → Evaluate (auto-runs for paid users)

バージョン＝固定されたスナップショットです。 バージョン作成後にプロジェクトを変更しても、そのバージョンには影響しません。バージョンの生成時に、前処理（リサイズ、コントラストなど）とデータ拡張（反転、回転、モザイクなど）を設定してください。

利用可能なモデルアーキテクチャ

物体検出

アーキテクチャ	サイズ	デフォルト解像度	備考
RF-DETR	Pico、Nano、Small、Base、Medium、Large、XL、2XL	384-880（サイズによって異なります）	名前付きサイズの中で最高の精度です。RF-DETR NAS を参照してください
Roboflow 3.0	Fast、Accurate、Medium、Large、XL	640x640	YOLOv8 ベースです。Medium 以上には有料プランが必要です
YOLO26	n/s/m/l/x	640x640	セグメンテーションとポーズにも対応しています
YOLOv12	n/s/m/l/x	640x640	物体検出のみです
YOLOv11	n/s/m/l/x	640x640	セグメンテーションとポーズにも対応しています
YOLOv8	n/s/m/l/x	640x640	セグメンテーションとポーズにも対応しています
YOLO-NAS	Small、Medium	640x640
YOLOLite CPU	n/s/m/l/x	640x640	エッジ向けに最適化されています。ベータ版
YOLOLite GPU	n/s/m/l/x	640x640	エッジ向けに最適化されています。ベータ版
Roboflow Instant	単一	N/A（リサイズなし）	少数ショット、無料、物体検出のみ

インスタンスセグメンテーション

アーキテクチャ	サイズ	デフォルト解像度
RF-DETR Seg	Nano、Small、Medium、Large、XL、2XL	312-768（サイズによって異なります）
Roboflow 3.0 Seg	Fast、Accurate、Medium、Large、XL	640x640
YOLO-seg	v8/v11/v26（それぞれ n/s/m/l/x）	640x640
SAM 3（Segment Anything 3）	Large	1008x1008

セマンティックセグメンテーション

アーキテクチャ	サイズ	デフォルト解像度
DeepLabV3+	Base	>=512x512

分類

アーキテクチャ	サイズ	デフォルト解像度
ViT	Base	224x224
ResNet	18/34/50/101	224x224
DINOv3	Base、Small	224x224

キーポイント／ポーズ

アーキテクチャ	サイズ	デフォルト解像度
YOLO-pose	v8/v11/v26（それぞれ n/s/m/l/x）	640x640

マルチモーダル／VLM

アーキテクチャ	サイズ	デフォルト解像度
Qwen3.5	0.8B、2B	448x448
Qwen3 VL	2B	448x448
SmolVLM	256M、2B	384x384
Florence 2	Base、Large	768x768
PaliGemma 2	3B	448x448
Qwen2.5 VL	7B	448x448

モデル選択の判断ツリー

このフローチャートに従って、適切なモデルを選びます。ステップ 1 から始めてください。

1. タスクの種類は？ OD／Instance Seg／Keypoint → ステップ 2。Classification／Semantic Seg／VLM → 専用ブロックを直接使用します。
2. 対象クラスは COCO 80 に含まれていますか？ はい → ステップ 3。いいえ → ステップ 6。
3. リアルタイムですか？ いいえ（画像／録画済み動画）→ ステップ 4。はい（ライブ動画）→ ステップ 5。
4. 非リアルタイム、COCO — OD／Inst Seg → RF-DETR NAS を優先します。利用できない場合は、Medium の RF-DETR（検出）または RF-DETR Seg（インスタンスセグメンテーション）、HW に制約がある場合は Small、精度を最優先する場合は XL を使用します。Keypoint → YOLO26 pose。完了。
5. リアルタイム、COCO — 同様です。対象ハードウェアごとの実測レイテンシーが報告されているため、ここでは NAS が最も強力な選択肢です。利用できない場合は、同じモデルファミリーの Nano～Small を使用します。完了。
6. 非 COCO の場合、サブタスクは？ OD → ステップ 7。Inst Seg → ステップ 8。Keypoint → ステップ 9。
7. OD、非 COCO — Rapid の除外条件（下記を参照）を確認します。除外対象の場合 → ステップ 13。それ以外の場合は Roboflow Rapid（デフォルト）を推奨し、SAM3 のゼロショットを次点の選択肢とします → ステップ 10。
8. Inst Seg、非 COCO — SAM3 のゼロショット（sam3/sam3_final、class_names を設定）。Rapid はセグメンテーションをサポートしていません → ステップ 10。
9. Keypoint、非 COCO — 非リアルタイム → YOLO26 pose Medium～XL。リアルタイム → YOLO26 pose Nano～Small。完了。
10. リアルタイムですか？ いいえ → モデルを試します（ステップ 11）。はい → レイテンシーに関する注意を促してから、モデルを試します（ステップ 12）。
11. 非リアルタイムでの試行 — ユーザーが問題なく動作すると確認 → 完了。 結果が不十分 → ステップ 13。
12. リアルタイムでの試行 — ユーザーが問題なく動作すると確認 → 完了。 結果が不十分 → ステップ 13。
13. Universe モデル検索 — Roboflow Universe でコミュニティモデルを検索します。適切なモデルが見つかった → 完了。 見つからない → ステップ 14。
14. カスタムトレーニング — OD／Inst Seg → RF-DETR NAS を優先します。NAS を利用できない場合は、HW の制約に応じて RF-DETR（検出）または RF-DETR Seg（インスタンスセグメンテーション）をファインチューニングします。完了。

モデル ID リファレンス

トレーニングツールを呼び出す前に、model-ids.md を読んでください。サポートされている model_id の正確な値と COCO クラスのリファレンスが記載されています。モデル ID を推測しないでください。

モデル選択のクイックガイド

ユーザーのデータで検出またはインスタンスセグメンテーション用のモデルをトレーニングする場合は、まず NAS を使用してください。 Neural Architecture Search は、そのデータを使って RF-DETR の探索空間を検索し、 速度と精度のトレードオフを示すフロンティアを報告します。そのため、対象データに最適なモデルを見つけられる可能性が最も高い選択肢です。NAS を利用できない場合（下記の前提条件を参照）、ユーザーが特定のアーキテクチャを指定した場合、または手早く使い捨てのベースラインを作るだけでよい場合は、名前付きのアーキテクチャを 1 つ選んでください。

これは上記の判断ツリーにおけるトレーニングの分岐を要約したものであり、判断ツリーに優先するものではありません。ツリーでは、非 COCO のリクエストに対して Roboflow Rapid または SAM3 のゼロショットが先に選択される場合がありますが、どちらもモデルをトレーニングしません。NAS が適用されるのは、カスタムトレーニングが選択された場合のみです。

目標	推奨
物体検出 — 有力な事前知識がない場合	RF-DETR NAS（rfdetr-nas-parent）
インスタンスセグメンテーション — 有力な事前知識がない場合	RF-DETR NAS Seg（rfdetr-nas-seg-parent）
最高の精度、物体検出、NAS を利用できない場合	RF-DETR（Large または XL）
高速な推論、物体検出、NAS を利用できない場合	RF-DETR Nano または YOLOv11n
最高の精度、インスタンスセグメンテーション、NAS を利用できない場合	RF-DETR Seg
手早い概念実証（画像 1000 枚未満）	Roboflow Instant
Classification	ViT または DINOv3
マルチモーダル／テキストプロンプト	Qwen3.5 または SmolVLM

NAS の親モデルが存在するのは、物体検出とインスタンスセグメンテーションのみです。Keypoint、 Classification、Semantic Segmentation、VLM のタスクには NAS の選択肢がありません。上記の名前付き モデルを使用してください。

アーキテクチャの比較（スイープ）

アーキテクチャを選定するのではなく比較する場合、前提条件を満たしていれば、候補の一つにNAS の親モデルを含めてください。例：rfdetr-medium、yolo26m、rfdetr-nas-parent。候補ごとに trainings_create を 1 回実行し、それぞれの trainingId を保持してください。

結果を比較する前に、NAS の結果をお読みください。「recommended」の子モデルが必ずしも最高精度の子モデルとは限らない理由と、公平な比較を行う方法について説明しています。

NAS の実行には単一のファインチューニングよりも時間がかかるため、NAS の完了を待たずに、名前付きモデルの実行結果を完了次第報告してください。

RF-DETR NAS（ニューラルアーキテクチャ探索）

RF-DETR のサイズを手動で一つ選ぶ代わりに、NAS では親モデルを 1 つ学習し、そこから多数のアーキテクチャを探索します。速度と精度のフロンティアを提示するため、ハードウェアの予算に合ったものを選べます。

• 概要： NAS の実行では、単一の親モデルをトレーニングした後、そのトレーニング済みの親モデル内で RF-DETR のアーキテクチャ空間を探索し、最前線の候補を特定します。各候補の mAP と、対象ハードウェア（例：Jetson、T4 GPU）で測定したレイテンシを報告します。出力されるのはパレートフロンティア上のモデル群と、Roboflow の現在のランキングヒューリスティックを用いて、検証精度と測定レイテンシのバランスを取るよう、（メトリクス、ハードウェア）ごとのバケットで自動選択された優勝モデルです。バケットごとの優勝モデルは個別には公開されません。models_list は、それらを子モデルごとに 1 つの recommended ブール値に集約します（特定のハードウェアターゲット向けの選び方を参照）。
• タスク： オブジェクト検出（rfdetr-nas）とインスタンスセグメンテーション（rfdetr-nas-seg）。
• 使用する場面： 特定のデプロイ先に最適な速度と精度のバランスを求めていて、モデルサイズを手動で A/B テストしたくない場合に使用します。特に、レイテンシの予算が厳しいエッジハードウェアで有効です。
• フェーズ：
  1. 親モデルのトレーニング — 探索元となる親モデルを 1 つトレーニングします。実行時間の大部分を占めます。
  2. マイニング — トレーニング済みの親モデル内でアーキテクチャを探索し、候補を評価してパレートフロンティア（レイテンシと mAP の関係）を構築します。候補は個別に最初からトレーニングされるのではなく、親モデルから派生するため、実行の終盤にまとまって現れます。それぞれがデプロイ可能な通常のモデルになります。
• モデル ID： オブジェクト検出には rfdetr-nas-parent（Standard — デフォルトではこれを使用）、rfdetr-nas-pecoret-parent（Fast）、rfdetr-nas-base-parent（Plus）、インスタンスセグメンテーションには rfdetr-nas-seg-parent を使用します。
• 前提条件 — NAS を提案する前に両方を確認してください：
  1. 検証画像が 15 枚以上あること。 versions_get は splits.valid を返します。15 枚未満の場合、トレーニング呼び出しは insufficient_validation_images_for_nas で失敗します。待っても解決しないため、ユーザーは検証用の分割を大きくしたバージョンを生成する必要があります。
  2. プランの利用資格。 NAS は Core および Growth プランに含まれています。それ以外のプランでは、ワークスペースで利用を許可する必要があります。Basic／starter／sandbox／research／trial ではアップグレードが必要です。enterprise／legacy では営業担当への問い合わせが必要です。MCP から利用資格を読み取ることはできないため、事前には確認できません。利用資格のないワークスペースでは、trainings_create がコード nas_not_available_for_plan で実行を拒否した時点で判明します。これは一時的なエラーではなく、プランの制限として扱い、再試行しないでください。その場合は、タスクに対応する指定モデル（検出では rfdetr-medium、セグメンテーションでは rfdetr-seg-medium）に切り替え、現在のプランでは NAS を利用できず、アップグレードまたはワークスペースでの有効化が必要な場合があることを伝えてください。どちらが必要かを判断するには、エラーに含まれる plan を使用します。ハイパーパラメーターのスイープには切り替えないでください。
• 実行の開始： trainings_create(project_id, version_number, model_type="rfdetr-nas-parent")。NAS は通常のトレーニングツールから開始します。別個のエンジンパラメーターはありません。（UI では、Train ページで ?engine=nas を指定します。）結果は /{workspace}/{project}/nas-runs/{versionId} に保存されます。
• 手動調整は不要： NAS 親モデルのハイパーパラメーターは epochs のみです（デフォルトは 200、範囲は 100～300）。アーキテクチャ探索自体がスイープにあたるため、学習率や損失重みの調整項目はありません。
• 実行結果の確認とハードウェアターゲットの選択： 子モデルのメトリクスを解釈したり、モデルを選んだりする前に、NAS の結果を読んでください。ページネーション、レイテンシの形式、推奨フラグの制限について説明しています。
• デプロイ： NAS で生成されたモデルは、他のモデルと同様にデプロイできます。1 つ選び、通常の Roboflow モデルとして使用してください。権威ある recommendedByHardware のエントリに実際に記載されている場合に限り、「ハードウェア推奨の子モデル」と呼んでください。それ以外の場合は、ユーザーがフロンティアから選んだ子モデルです。推論タイプは rfdetr-nas／rfdetr-nas-seg ですが、標準の推論パスを通じて提供されます。
• 参考資料： RF-DETR 論文（arxiv）、ICLR 2026、NAS とは？（ブログ）。

Roboflow Instant／Rapid

Roboflow Instant

• 概要： 数分で学習できる無料の少数ショットモデルです
• タスク： 物体検出のみ
• 使用する場面： PoC、画像が1000枚未満の場合、迅速な反復
• Instant モデルがまだ存在せず、バッチを承認すると自動的に学習します
• 前処理／データ拡張は行いません。画像をそのまま使用します
• デプロイ： 学習済みモデルと同様に Workflows で利用できます
• 手動で開始する場合：Project > Models > Train Model > Roboflow Instant Model

Roboflow Rapid

• 概要： アノテーションと学習を対話的に行うワークフローです。SAM3 が少数の画像セットに事前アノテーションを付け、ユーザーが確認・修正すると、高速なカスタム OD モデルが自動的に学習されます。モデルは本番データをさらに取り込むにつれて改善し続けます。
• タスク： 物体検出のみ、COCO クラス以外
• 使用する場面： 除外条件に該当しない COCO クラス以外の物体検出でのデフォルトの方法

次の場合は Rapid を使用しないでください：

除外条件	理由
OCR／テキスト検出（文字、シリアル番号、ラベル、レシート、ナンバープレート）	SAM3 は個々の文字を確実にセグメント化できません
設計図、平面図、回路図、技術図面	SAM3 のテキストプロンプトでは、抽象的な記号や線で構成された要素を処理できません
対象クラスが5つを超える場合	クラスが多いと、SAM3 のテキストプロンプトの精度が大幅に低下します
細かな視覚的な違い（正しい向きと誤った向き、合格と不合格、微妙な欠陥）	SAM3 はほぼ同一のオブジェクトを区別できません。ファインチューニングしたモデルが必要です
高精度な測定／計測（距離、寸法、公差）	SAM3 の自動ラベル付けでは、校正された測定に必要なアノテーション精度を確保できません

Rapid が除外された場合は、ステップ13から意思決定ツリーを再開してください。まず Universe モデルを検索し、次にカスタム学習を行います。カスタム学習はRF-DETR NASから開始し、前提条件を満たさない場合は名前付きの RF-DETR に切り替えます。

チェックポイント学習

オプション	使用する場面
Public Checkpoint（COCO）	最初のモデルバージョンに使用する、デフォルトの推奨オプション
Universe Checkpoint	先に Universe プロジェクトにスターを付けると、チェックポイントのオプションとして表示されます。ドメイン固有の転移学習に適しています
Previous Version	すでに良好なモデルがあり、データを追加して改善したい場合（分類と SAM3 を除くすべてのタイプ）
Random Initialization	上級ユーザー向けです。通常は結果が悪くなります

学習の制御

• 学習のキャンセル： ジョブを停止します。重みは保存されません。学習の早い段階であれば返金されます。
• 早期停止： ジョブを停止し、重みを保存します。残りエポック数が多く、グラフで収束が示されている場合に使用します。使用したクレジット分が請求されます。
• NAS 学習： ペアになったグラフ（マイニングの進捗状況とパレート曲線、その後にモデルごとの学習曲線）を表示します。収束時に自動停止することがあります。下記のRF-DETR NASのセクションを参照してください。

学習後のメトリクス

メトリクスはプロジェクトのタイプによって異なります。

プロジェクトタイプ	表示されるメトリクス
物体検出	mAP@50、Precision、Recall、F1
分類	Accuracy
インスタンスセグメンテーション／キーポイント	mAP@50、Precision、Recall
セマンティックセグメンテーション	mIoU
マルチモーダル	Perplexity

モデル評価（有料プラン）

トレーニング後に自動実行されます。アクセス方法：Models > モデルのバージョンをクリック > View Evaluation。

機能	表示内容
Production Metrics Explorer	すべての信頼度しきい値における適合率／再現率／F1。最適な信頼度を推奨します
Model Improvement Recommendations	実行可能な提案（偽陰性、偽陽性、混同されるクラス、データ不足）
Performance by Class	クラスごとの正しい予測、誤分類、偽陰性、偽陽性。フィルタリング可能です
Confusion Matrix	正解ラベルと予測のグリッド。セルをクリックすると該当する画像を表示できます。信頼度しきい値を調整できます
Vector Explorer	モデルの成功箇所と失敗箇所を示す、インタラクティブな埋め込みクラスタ

ディープリンク：https://app.roboflow.com/{workspace}/{project}/evaluation/{versionId}。

ユーザーからモデルの性能が低い理由や改善方法を尋ねられたら、まず roboflow://skills/roboflow-training-and-evaluation/model-diagnosis を確認してください。 評価パネルごとに根本原因（分類体系、誤ったラベルのデータ、一貫性のないラベル基準、カバレッジの不足、データ不足、質の悪いデータ）を示し、次に追加すべきデータを説明します。改善ガイドには、簡潔な判断ツリーとトレーニング側での対処法（アーキテクチャ、サイズ、データ拡張、過学習）が記載されています。

MCP サーバーでは、すべての評価パネルを利用できます。いずれも model-eval:read スコープが必要です。評価の実行中は 409 model_eval_not_done が返されます。

パネル	ツール
評価を検索	model_evals_list（project_id、version_number、model_id でフィルタリング。指定できるのは一度に1つです）
主要な mAP／適合率／再現率 + app_url	model_evals_get
Model Improvement Recommendations	model_evals_get_recommendations（生成されたことがない場合は {"generated": false}）
Performance by Class	model_evals_get_performance_by_class（split = train/valid/test）
分割ごと、オブジェクトサイズ別、クラス別の mAP@50／@50-95／@75	model_evals_get_map_results
Confusion Matrix	model_evals_get_confusion_matrix（split、confidence 0-100。デフォルトでは最適なしきい値を使用）
Production Metrics Explorer	model_evals_get_confidence_sweep
Vector Explorer	model_evals_get_vector_analysis。続けて model_evals_get_image_predictions を使用すると、画像ごとの TP/FP/FN とクラスタ ID を取得できます
データセットのヘルスチェック	projects_health（再計算するには regenerate=True を指定します。初回の実行には数分かかることがあります）

モデルの表示と比較

• Models ページ： プロジェクトのサイドバー > Models。Instant モデルとファインチューニング済みモデルがすべて表示され、メトリクス、アーキテクチャ、ライセンス、使用したデータセットのバージョンを確認できます。
• Universe タブ： 転移学習に利用できる、お気に入りに登録した Universe モデルを表示します。
• Visualize： テストセットの画像、アップロードした画像、またはウェブカメラで簡単にテストできます。OD、セグメンテーション、分類、キーポイントに対応しています。マルチモーダルには対応していません。

MCP ツールリファレンス

操作	ツール
バージョンを生成	versions_generate
トレーニングを開始	trainings_create
トレーニング実行を検索	trainings_list(project_id, version_number) は各実行の trainingId とステータスを返します
既知のトレーニング実行を確認	trainings_get(project_id, version_number, training_id)。子モデルの詳細には、上記のページネーション対応 NAS パスを使用します
モデル情報を取得	models_get
モデルを一覧表示	models_list
評価を検索	model_evals_list
評価の概要	model_evals_get
評価の推奨事項	model_evals_get_recommendations
クラス別メトリクス	model_evals_get_performance_by_class
分割／オブジェクトサイズ／クラス別の mAP	model_evals_get_map_results
混同行列	model_evals_get_confusion_matrix
信頼度スイープ	model_evals_get_confidence_sweep
ベクトル分析／画像ごとの予測	model_evals_get_vector_analysis、model_evals_get_image_predictions
データセットのヘルスチェック	projects_health

関連ページ

• model-ids.md — トレーニングモデルの正確な ID と COCO クラスのカバレッジ
• roboflow://skills/roboflow-training-and-evaluation/model-diagnosis — 「モデルの精度が低いのはなぜか／どうすれば改善できるか」を知りたい場合は、まずこちらをご覧ください。モデル評価を実行し、各パネルを読み取り、症状を根本原因に対応付け、追加するデータを判断します
• roboflow://skills/roboflow-training-and-evaluation/improvement-playbook — 診断用の決定木、混同行列とクラスごとのメトリクスガイド、推奨事項の種類、アーキテクチャの切り替え、データ拡張、過学習、反復的なチェックリスト
• roboflow://skills/roboflow-training-and-evaluation/active-learning — 本番環境のフィードバックループ：Project Model ワークフローブロック、アクティブラーニング、レビュー、再トレーニング