13.7.4. モデルの学習

ラベル付けされたデータセットが手元にあれば、学習は Train ページでのガイド付きフローです。データセットのバージョンを確定し、アーキテクチャを選び、実行をRoboflowのサーバーに引き渡します。

13.7.4.1. データセットのバージョン

学習の前に、Roboflowはデータセットの バージョン を構築します。これは画像の凍結されたスナップショットに、取り込み時に適用される2つの変換を加えたものです。

• 前処理 は、すべての画像をモデルが学習する解像度にリサイズします。その解像度は小さく保ってください。カメラは小さなモデルを実行するので、控えめな解像度で学習された検出器はカメラのメモリに収まり、高速に動作します。

• 拡張（Augmentation） は、元の画像に摂動を加えること（反転、明るさと露出のシフト、ぼかし、ノイズ）で、追加の学習画像を合成します。各拡張は、カメラ上で遭遇する実際のばらつきに耐えることをモデルに教え、小さな手作業で取得したデータセットをはるかに有効活用します。

拡張のプレビュー。各オプションは、バージョンに反映する前に、サンプル画像に対して何をするかを示します。

拡張は、カメラが実際に目にするばらつきに合わせてください。明るさと露出は採用する価値があります。照明は常に変化するからです。あなたのセットアップで決して起こらないものはスキップしてください。固定設置されたカメラは垂直方向の反転を決して見ないので、反転拡張はデータセットを薄めるだけです。

13.7.4.2. アーキテクチャの選択

次に、モデルアーキテクチャを選びます。Roboflowはいくつか提供しており、それぞれに精度と速度を引き換えにするサイズセレクタがあります。

アーキテクチャの選択肢。それぞれに精度と推論速度を引き換えにするサイズセレクタがあります。

カメラには Roboflow 3.0 を選んでください。これは内部的にはYOLOv8で、カメラは ml.postprocessing.ultralytics にYOLOv8ポストプロセッサを同梱しているため、その出力はあなたの側で追加コードなしにデコードされます。Fast サイズを選んでください。これはカメラのメモリに収まり、実用的なフレームレートで動作します。

13.7.4.3. 学習の実行

実行を開始すると、学習はRoboflowのサーバー上で行われます。小さなデータセットなら通常1時間を十分に下回り、完了すると電子メールが届きます。その後、バージョンページに学習グラフと精度メトリクス（mAP、適合率、再現率）が表示されます。

精度メトリクス付きの学習済みモデル。ここから、Visualize ページではテスト画像やウェブカメラ上でモデルを実行し、手早く健全性チェックを行うこともできます。

数値が良好であれば、モデルはデプロイの準備ができています。そうでない場合、修正は通常、より多くの、またはより多様なデータです。別のクリップを撮影し、ラベルを付け、新しいバージョンを学習してください。