11月16日、Roboflowが「VLM Distillation: Turn Gemini Labels into an RF-DETR Model」と題した記事を公開した。この記事では、Geminiをティーチャーモデルとしてバウンディングボックスアノテーションを自動生成し、軽量物体検出モデルRF-DETRに知識を蒸留する手順について詳しく紹介されている。
なぜ今、VLMの蒸留が求められるのか
製造・物流現場でのリアルタイム映像解析や、電力・通信帯域が制限されたエッジ環境での常時監視といったユースケースが増える中、「高精度だがクラウド依存」という大規模VLMの制約が実用上の壁になっている。
Geminiのような大規模VLM(Vision-Language Model)は、テキスト記述だけで対象物を検出できる。しかし、カメラ映像を常時監視する用途では、フレームごとにクラウドAPIを叩くコストは現実的ではない。APIレイテンシの問題も加わり、リアルタイム性が求められる現場への直接適用は難しい。
この問題の解決策として注目されているのがモデル蒸留だ。VLMをティーチャーとして使い、その予測をアノテーションに変換してスチューデントモデルを訓練する。訓練後は小型モデルがカメラの隣のマシンで動き続けるため、API呼び出しは不要になる。
本記事が示すのは、この流れをRoboflowのツール群で完結させる具体的な手順だ。倉庫のダンボール箱とパレットの検出を例に、Gemini → ラベルレビュー → RF-DETR Nano訓練 → エッジデプロイという4ステップで解説されている。
ティーチャー・スチューデントの枠組みは、Hinton, Vinyals, Dean による2015年の論文が原典だ。ただし本手法はソフトターゲットを使う古典的蒸留とは異なり、Autodistillが採用する「教師の予測を人間がレビューしてアノテーションに変換する」アプローチを取る。VLMの言語能力は転移されず、物体検出の監督信号だけが転移される点に注意したい。
ステップ1:Geminiで自動ラベリング
RoboflowのWorkflow機能でGoogle Gemini v6ブロックを組み込み、dispatch-vlm-teacherという名前のWorkflowを作成する。
※編集部の考察:記事中に登場する「Google Gemini v6ブロック」および後述の「gemini-4-argon」というモデル名は、本記事公開時点(2026年11月)では一般的な呼称として広く知られていない表記である。元記事の表現をそのまま引用しているが、Roboflowのワークフロー設定画面における独自の表示名、あるいはAPIバージョン管理上の内部名称である可能性がある。実際に設定する際は元記事のスクリーンショットおよびRoboflowの公式ドキュメントで最新のモデル名・ブロック名を確認することを推奨する。
設定は以下のとおり。
| 設定項目 | 値 |
|---|---|
| Task type | object-detection |
| Model | gemini-4-argon |
| Classes | cardboard box, pallet |
Workflowが返すのはpredictions(バウンディングボックス)とerror_status、そしてトークン使用量だ。**error_status=Trueは「空のシーン」ではなくデコード失敗を意味する**ため、空検出と混同しないよう注意が必要だ。
Workflowを公開したら、Auto Label機能でトレーニング用画像バッチに対して一括ラベリングを実行する。クラスのマッピングを確認し、未マッピングのクラスは自動的に除外される点を把握しておくこと。
ステップ2:人間によるラベルレビュー(ここが品質の分岐点)
自動生成されたアノテーションをそのまま使わないのがこの手法の要点だ。スチューデントは受け取ったアノテーション通りに学習するため、ティーチャーのミスがそのまま訓練データのノイズになる。
記事では典型的な修正例として「1つの箱に重複したボックスが2つ付き、別の箱とパレットが丸ごと見落とされているケース」を挙げている。Roboflow Annotateで以下の順序でレビューすることを推奨している。
- 画像全体(端・半隠れ領域を含む)をスキャンして見落としを探す
- クラスラベルの誤りを修正する
- バウンディングボックスの境界を修正する(積み重なった箱を1つのボックスで囲まない)
- 重複ボックスを削除する
- 空の検出結果が「本当に対象物がない」のか「見落とし」なのかを確認する
レビューログ(確認画像数、追加・削除したアノテーション数、所要時間)を残しておくと、「APIコストは安いが修正コストが高い」ティーチャーの特性を後から評価できる。このレビュー工程の質がスチューデントモデルの最終精度を直接左右するため、コスト管理と品質管理の両面で記録を残す習慣は重要だ。
ステップ3:RF-DETR Nanoを訓練する
レビュー済みデータセットからバージョンを生成し、RoboflowのCustom TrainingでRF-DETR Nanoを選択して訓練を開始する。
RF-DETRはRoboflowが開発したDETRベースの検出モデルファミリーだ。DETRはFacebook AI Research(現Meta AI)が2020年に発表したTransformerベースの物体検出アーキテクチャで、従来のアンカーベース手法やNMS(Non-Maximum Suppression)を使わずにエンドツーエンドで検出を行う点が特徴だ。RF-DETRはそのアーキテクチャをエッジ向けに最適化したもので、Nanoは最も軽量な構成にあたる。Jetson NanoやRaspberry Pi 5といったシングルボードコンピュータから産業用エッジサーバーまで幅広いハードウェアでの動作を想定している。
訓練完了後はモデルIDをコピーしておく。Training Graphsで学習曲線と検出メトリクスを確認し、データや訓練設定の調整が必要かどうかを判断する。
ステップ4:エッジデプロイと速度比較
訓練済みモデルを使ったWorkflow(rfdetr-student)を作成し、Roboflow Inferenceをエッジコンピュータ上で起動して推論を実行する。このデプロイにGeminiティーチャーは含まれない。
記事が強調する核心的な数字がここにある。RF-DETR NanoはGeminiと比べて推論速度が約58倍速い。元記事ではこの数値の計測条件(ハードウェア構成、バッチサイズ、入力解像度など)の詳細は元記事のスクリーンショットおよびベンチマーク節を参照されたい。毎フレームのVLM呼び出しが不要になるため、コストと遅延の両方が大幅に改善される。
記事ではさらに、静止画と録画動画の両方でWorkflowをテストする手順、そして実際のデプロイハードウェア上でのパフォーマンス計測方法も解説されている。
まとめ
VLMをティーチャーとして使いつつ、推論コストを現実的な水準に抑えたいという需要は大きい。本記事が示す手順は「VLMの認識能力」と「エッジモデルの実行コスト」のトレードオフを実践的に解決するアプローチだ。ラベルの自動生成から人間レビュー、訓練、デプロイまでをRoboflowのエコシステム内で完結できる点が特徴で、PoC(概念検証)から本番導入までの流れを把握するのに適した内容となっている。蒸留によって転移されるのはあくまで物体検出の監督信号であり、VLMの言語理解や汎化能力がそのまま移植されるわけではない点は、採用前に改めて認識しておきたい。
詳細はVLM Distillation: Turn Gemini Labels into an RF-DETR Modelを参照していただきたい。




