> ## Documentation Index
> Fetch the complete documentation index at: https://wb-21fd5541-feat-cli-docs-generator.mintlify.site/llms.txt
> Use this file to discover all available pages before exploring further.

# Artifacts

> W&B アーティファクトの概要、仕組み、および開始方法。

<CardGroup cols={2}>
  <Card title="Try in Colab" href="https://colab.research.google.com/github/wandb/examples/blob/master/colabs/wandb-artifacts/Artifact_fundamentals.ipynb" icon="python" />

  <Card title="Try in W&B" href="https://wandb.ai/wandb/arttest/artifacts/model/iv3_trained/5334ab69740f9dda4fed/lineage" icon="sliders-up" />
</CardGroup>

W\&B Artifacts を使用して、[W\&B Runs](/ja/models/runs/) の入力と出力としてデータをトラッキングし、バージョン管理します。たとえば、モデルトレーニングの run では、データセットを入力として受け取り、トレーニングされたモデルを出力として生成することがあります。ハイパーパラメーター、メタデータ、メトリクスを run にログし、アーティファクトを使用してモデルをトレーニングするために使用されるデータセットを入力としてログ、トラッキング、およびバージョン管理し、生成されたモデルのチェックポイントを出力として管理できます。

## ユースケース

あなたの ML ワークフロー全体で、[runs](/ja/models/runs/) の入力と出力としてアーティファクトを使用することができます。データセット、モデル、または他のアーティファクトをプロセシングの入力として使用することができます。

<Frame>
  <img src="https://mintcdn.com/wb-21fd5541-feat-cli-docs-generator/FAQtpcY8_qbt118R/images/artifacts/artifacts_landing_page2.png?fit=max&auto=format&n=FAQtpcY8_qbt118R&q=85&s=bd78a6a03481a9c8009dbb57d4c834e0" width="1991" height="503" data-path="images/artifacts/artifacts_landing_page2.png" />
</Frame>

| ユースケース     | 入力                      | 出力                               |
| ---------- | ----------------------- | -------------------------------- |
| モデルトレーニング  | データセット (トレーニングおよび検証データ) | トレーニングされたモデル                     |
| データセットの前処理 | データセット (生データ)           | データセット (前処理済みデータ)                |
| モデルの評価     | モデル + データセット (テストデータ)   | [W\&B Table](/ja/models/tables/) |
| モデルの最適化    | モデル                     | 最適化されたモデル                        |

<Note>
  続くコードスニペットは順番に実行されることを意図しています。
</Note>

## アーティファクトを作成する

4行のコードでアーティファクトを作成します:

1. [W\&B run](/ja/models/runs/) を作成する。
2. [`wandb.Artifact`](/ja/models/ref/python/artifact) API を使用してアーティファクトオブジェクトを作成する。
3. モデルファイルやデータセットなど、一つ以上のファイルをアーティファクトオブジェクトに追加する。
4. あなたのアーティファクトを W\&B にログする。

例として、続くコードスニペットは `example_artifact` という名前のアーティファクトに `dataset.h5` というファイルをログする方法を示しています:

```python theme={null}
import wandb

run = wandb.init(project="artifacts-example", job_type="add-dataset")
artifact = wandb.Artifact(name="example_artifact", type="dataset")
artifact.add_file(local_path="./dataset.h5", name="training_dataset")
artifact.save()

# アーティファクトのバージョン "my_data" を dataset.h5 のデータを持つデータセットとしてログします
```

<Note>
  外部オブジェクトストレージに保存されているファイルやディレクトリーへの参照の追加方法については、[外部ファイルのトラッキング](/ja/models/artifacts/track-external-files/)ページを参照してください。
</Note>

## アーティファクトをダウンロードする

[`use_artifact`](/ja/models/ref/python/run#use_artifact) メソッドを使用して、あなたの run に入力としてマークしたいアーティファクトを指定します。

続くコードスニペットに続けて、この次のコードブロックは `training_dataset` アーティファクトの使用方法を示しています:

```python theme={null}
artifact = run.use_artifact(
    "training_dataset:latest"
)  # "my_data" アーティファクトを使用する run オブジェクトを返します
```

これはアーティファクトオブジェクトを返します。

次に、返されたオブジェクトを使用して、アーティファクトのすべての内容をダウンロードします:

```python theme={null}
datadir = (
    artifact.download()
)  # `my_data` アーティファクト全体をデフォルトのディレクトリにダウンロードします。
```

<Note>
  アーティファクトを特定のディレクトリにダウンロードするために、`root` [parameter](/ja/models/ref/python/artifact) にカスタムパスを渡すことができます。アーティファクトをダウンロードする別の方法や追加のパラメータについては、[アーティファクトをダウンロードして使用するガイド](/ja/models/artifacts/download-and-use-an-artifact/)を参照してください。
</Note>

## 次のステップ

* アーティファクトを[バージョン管理](/ja/models/artifacts/create-a-new-artifact-version/)し、[更新](/ja/models/artifacts/update-an-artifact/)する方法を学びます。
* [オートメーション](/ja/models/core/automations/)を使用して、あなたのアーティファクトに対する変更に反応して下流のワークフローをトリガーしたり、Slack チャンネルに通知する方法を学びます。
* トレーニングされたモデルを収容するスペースである[レジストリ](/ja/models/core/registry/)について学びます。
* [Python SDK](/ja/models/ref/python/artifact) と [CLI](/ja/models/ref/cli/wandb-artifact/) リファレンスガイドを探索します。