今回のネタはかなり細かい話なので、前提の説明が必要になる。 調べた結果を最初に書いておくので、それ以降は興味のある人向け。 TL;DR tensorflow の crop_and_resize を使ったモデルを onnx 変換する時は opset 14 以上 を使え crop_and_resize とは AI を使って画像からオブジェクトを検出し、 そのオブジェクトを識別する際の実現方法は次の2つに分かれる。 解析対象の画像を入力してオブジェクトの検出と、識別をそれぞれ別々に行なう2つのモデルを用意する 解析対象の画像を入力し、1つ

このところ、 新しく PC を組んだことに関連するネタばかり書いているが、 多分今回で最後になる。 状況 新しく組んだ PC は、直後から非常に不安定だった。 現象としては以下が発生する。 不定期に画面の更新が止まり、ブラックアウト、あるいは、ホワイトアウトし、 2秒程度経過すると元の画面に戻る 不定期に OS が BSOD (ブルースクリーンでリブート)になる なお、次の画像はその BSOD のイベントログ表示画面のスクショを切り取った画像だが、 見る

数年ぶりに新しい PC を組んだので OS (Win11) をクリーンインストールした。 今回組んだのは AMD の AM5 で、 OS を入れるストレージには M.2 NVMe SSD を使用。 ここで、Windows 11 をクリーンインストールする際に、 どのドライブに OS をインストールするか指定する画面が表示されるが、 期待していた M.2 NVMe SSD が表示されなかった。 代わりに 「ドライバーが見つかりませんでした。 [ドライバーの読み込み] をクリックしてください」 といった趣旨のメッセージ (

ストレージの入れ替えで、 Windows システムドライブをクローンする機会はそこそこある。 通常は、 dd コマンドなどのセクターレベルでのコピーで問題なくクローンできるが、 場合によってはクローンしたドライブで起動できないことがある。 今回は、そんな状況になったクローン後のドライブの復旧方法についてのネタである。 なお、低水準にストレージにアクセスすることになるので、 少しの間違いで致命的な状態になる可能性になる。 事前にバッ

python で AI モデルを検討する際は、 Jupyter Notebook を使用している。 AI モデル検討では巨大なサイズのモデルロードが必須なので、 素の python で実行するとスクリプトを実行する度にモデルロードが入ってしまい、 無駄な時間を消費することになる。 Jupyter Notebook ではセル単位で実行できるので、 モデルロードのセルとモデルを動かすセルとを分けることで、 モデルロードの実行に掛る時間を極力減らすことができる。 そして、そのセル単位での部分実行などを制御している

https://cve.mitre.org/cgi-bin/cvename.cgi?name=2025-32434 pytorch の重みのロード処理に脆弱性が発見された。 バージョン pytorch 2.5.1 以前で起るらしい 2.6 以降は対策されている なお、 2.6.0 のリリースは 2025/1/30 なので、 今年に入ってから環境を構築した人以外は対象になる。 というか、最近環境を構築した人も念の為確認すべき。 これを悪用されると、悪意ある野良の重みファイルをロードすると攻撃される。 つまり、第三者が作成した重みファイルをロードする可能性がある環境は、 クラウドはもちろんローカルでもアウ

ロードバイクのサドルを変えたら、 シートポストのヤグラと サドルバッグを固定するアタッチメントが干渉して付けられなくなった。 サドルバックの標準アタッチメント以外に固定方法がないか調べてみたが、 解決できそうな方法が見つからなかったため 3D プリンタでアダプターを自作することにした。 フィラメントの素材は、耐久性と耐水性と扱い易さから PETG を使用。 用途を考えると ASA や PC の方が良いと思うが、 そこまで負荷が高くないから PETG

以前書いたように、 HHKB Pro を使っているとフレーム幅が狭い影響で誤入力が起っていた。 これを防止するため、誤入力防止ガードを作った。 こんなんでも、あるとないとで全然違う。

huggingface には様々な AI モデルのライブラリが公開されている。 今回のネタは、このライブラリを利用する方法について。 推論 ファインチューニング 分類と回帰 なお、今回は ViT モデルを具体例として取り上げるが、 huggingface の transformers のモデルであれば、 ほとんどの場合、少しの変更だけで応用できる。 推論 以下に、 訓練済みの ViT モデルを使用して画像分類の推論を行なうサンプルソースを示す。 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 from transformers import AutoImageProcessor, ViTForImageClassification import

先日 HHKB Pro hybrid (以降 hybrid) を買ったので、思ったことを書いておく。 なお、HHKB Lite2(以降 Lite2) を 20 年程度使っていたので、 HHKB 自体の経験値はそこそこある。 ただし、Lite2 なので細かいところが本家と比べて色々と違うのは理解している。 HHKB Lite2 の方が良い 20 年程度使っているものと、 まだ 1 年も使っていないキーボードのどちらが使い易いかを比べるのも変な話な気もするが、 今のところ圧倒的に Lite2 の方が使い易い。 なお、どちらも日本