自前データで学習したモデルでも、学習に使ったフレームワークや起点にした事前学習重みのライセンスが「成果物（学習済み重み）にも及ぶ」と主張されていることがある。代表例が AGPL 系の検出フレームワーク（2026年時点の ultralytics/YOLO など）で、公式見解として「学習済みモデルはデフォルトで AGPL、ソース非公開の商用 SaaS 利用は別途商用ライセンス必須」と明記している。

落とし穴

• 「自分のデータで学習したから自分のもの」という直感はベンダーの主張と衝突しうる。特に公式配布の事前学習重みから fine-tune した場合は派生物としての結びつきが強い
• Web クライアント推論（ブラウザでの ONNX 実行等）は、静的配信ディレクトリへの配置時点で「重みの配布」に該当する。本番前の preview 環境でも配布は始まっている
• ONNX 等への形式変換はライセンス上の性質を変えない

確認手順

1. 学習ツールチェーン全体（フレームワーク・事前学習重み・変換ツール・推論ランタイム）を列挙し、それぞれのライセンスをパッケージメタデータで確認する
2. copyleft 系（GPL/AGPL）が含まれる場合は、ベンダーの公式ライセンスページで「学習済みモデルへの適用主張」を一次確認する（主張の有無と内容は時点で変わるため、判断時に再確認する）
3. モデルの重みに個別ライセンス記載がない OSS は、コードのライセンスを準用できるか不明な場合があり、厳密を期すなら作者確認まで行う

判断基準

• 商用配布が必要で copyleft を避けたい場合の選択肢は (1) ベンダーの商用ライセンス購入 (2) permissive（Apache-2.0/MIT）なアーキテクチャでの再学習。学習パイプライン（素材・合成・評価）をフレームワーク非依存に資産化してあれば、載せ替えはモデル定義の差し替え+学習数回で済み、(2) のコストは小さい
• アーキテクチャ選定の段階でライセンスを選定基準に含めると後戴しがない（精度・速度だけで選ぶと配布段階で詰まる）