はてなブックマーク

Jetson nanoはAI入門におすすめ こんにちは。 AI coordinator管理人の清水秀樹です。 コロナが猛威を奮っていますね。 健康には十分気をつけていきましょう。 さて、本日はAI初心者に大変オススメのJetson nanoを使ったAI体験を簡単に実現できる方法をご紹介致します。 Jetson nanoはNvidia社が開発したGPU搭載の小型マイコンになります。 なぜAI初心者にオススメなのかというと、セットアップが滅茶苦茶楽ちんだからです。 通常のPCですといちいちAI開発用にセットアップが必要となりますが、Jetson nanoはもともとAIを活用することを前提に開発したマイコンになっているため、Jetson nano用のOSイメージを活用すればすぐにでもAIを体験できるようになっています。 しかもマイコンそのものは１万ちょっとと金額も安い。 通常のGPU搭載のPCを

秋葉原に買い出し こんにちは。 AI coordinatorの清水秀樹です。 ついにAI coodinator独自のロボット開発に着手します。 手初めにラズパイを使ってカメラを搭載したキャタピラ付きロボットの開発から初めていきたいと思います。 では早速、秋葉原にハードウェアの買い出しにいきましょう。 一式揃えるところからですね。（でもキャタピラは次回にします。１日でそこまで行ける気がしないので） 記念すべき１店舗は、秋月電子さんです。 何はともあれ、ラズパイ本体がなければ話になりません。 色々吟味した結果、以下の商品を購入しました。 RaspberryPi3 Model B ：5200円 RaspberryPiカメラモジュール：3080円 スイッチングACアダプター：700円 TOSHIBA マイクロSDカード 16G：1150円 しめて合計：10130円なり。 安く買おうと思えばネット通

こんにちは。 AI coordinatorの清水秀樹です。 リアルタイム映像からの物体検出に挑戦してみました。 ただし簡単にはできず、色々ハマってえらく苦労したので、同じ悩みを持っている人の助けになればと思い実装までの手順を記事にします。 この手順に則って環境準備から始めて頂ければ、素人でも自分のPC場で映像からの物体検出が実装できるようになります。 それでは始めてみましょう。 参考にさせて頂いたサイト 以下のサイトを参考にさせて頂きました。 SSD: Single Shot MultiBox Detector 高速リアルタイム物体検出デモをKerasで試す こちらのサイトは素人の筆者でもなんとか実装できるぐらいまで丁寧に説明してくださっていますので、リアルタイムからの物体検出を実行する上で、大変参考になりました。 また、これからDeep Learningの勉強をするなら、こちらで紹介する

正確さと高速化に成功したYOLO V3 こんにちは。 AI coordinator管理人の清水秀樹です。 最近はラズパイにハマってdeeplearningの勉強をサボっておりましたが、YOLO V2をさらに高速化させたYOLO V3がリリースされたようなので、早速試してみました。 しかもより正確になったようです。 開発環境 imac2012 27-inch macOS High Sierra Python 3.5.2 PyTorch Anaconda使用 GPUは使用しない 公式サイトからのダウロード YOLO V3を使うだけならすぐにできます。 公式サイトを参考に以下の通りにコマンドラインをただ入力するだけ試すことができます。 $ git clone https://github.com/pjreddie/darknet $ cd darknet $ make $ wget https:

物体検出をラズパイでも試してみよう こんにちは。 AI coordinatorの清水秀樹です。 Ai coordinator独自のロボットを開発する上で、欠かすことのできない物体検出技術。 ロボットの視覚の機能に当たる部分ですね。 当記事は、ラズパイでも物体検出が... Movidiusはintelが開発したUSB型のDeepLearning用開発ツールです。 「モビディウス」と読むようです。 当記事は、ラズパイ上でMovidiusを使ったリアルタイム画像認識ができるところまでを紹介します。 Movidiusは安価でラズパイの高速化が可能になるDeepLearningツールなので、興味がある方は是非チャレンジしてみて下さい。 Movidiusをインストールする前の注意点として、microSDカードの容量は３２GB以上にしましょう。 １６GBでは領域が足らずにインストールできません。 しかも

YOLOがPC（GPU無し）よりも遥かに劇速だったiphone7 plus こんにちは。 AI coordinatorの清水秀樹です。 久しぶりの物体検出ネタになります。 先日以下の記事を発見しました。 スゲ〜〜！！ iphoneでもYOLOが使えて、しかも速い！！！ なんてこった！ PCでカクカク（GPU無し・・・）だったYOLOがiphoneだとこれだけの速度が出るなんて。 しかもなんかカッコ良い！ というわけで、早速チャレンジしてみました。 X-CODEの使い方が分からなくても大丈夫 上記サイトによるとTinyYOLO-CoreMLはX-CODEでビルドするだけで使えますとのこと。 ・・・・ そう！ X-CODEから実機にアプリを送り込んで使えるようにする必要があります。 まじかよ！！ X-CODEなんて使えません。 以前、書籍を買ってチャレンジしてみましたが、書籍の通り実行してもま

自然言語処理の入門、wikipedia全文データを使ってみる こんにちは。 AI coordinatorの清水秀樹です。 自然言語処理について何から勉強を始めようかと色々模索していたところ、wikipediaの日本語全文データをダウンロードできることを知り、早速それが使えそうなところから初めてみることにしました。 なんでもWord2Vecとかいうライブラリーを使用すると、単語の意味をベクトルで表現できるらしく、関連する単語や類似度を調べることができるようになるとのこと。 ちょうどデータ量として申し分ないwikipedia日本語全文データも使えることも分かったので、早速それらを組み合わせて勉強してみることにしました。 当記事はその内容の紹介になります。 純粋 – 正義 + 悪 = 邪悪 みたいなことができるようになります。 興味がある方は参考にしてみてください。 開発環境 macOS Sie

YOLO v2をどうしてもPythonで使ってみたかったので作ってみた こんにちは。 AI coordinatorの清水秀樹です。 数多くあるオブジェクト物体検出の中で、処理速度が最も早い？と言われているYOLO v2を試してみました。 公式サイトの通りやって、環境のセットアップと静止画のオブジェクト物体検出を描画できるところまでは簡単にできましたが、なぜか動画になるとエラーになってしまいました。 そんなわけで、公式サイトのやり方ではイマイチ不良消化のまま先に進めなくなってしまったので、少し思考を変え、静止画でオブジェクト物体検出ができるなら、Pythonでソースコードを組み直せば、リアルタイム映像でもYOLOを試せると考え、実際にPythonで動かせるように作成してみました。 中々苦労しましたが、なんとか実装できたので、その内容を紹介したいと思います。 参考にさせて頂いたサイトの紹介 ち

OpenCVを使った顔抽出 こんにちは。 AI coordinatorの清水秀樹です。 前回の記事で、OpenCVを使った顔認識を紹介しました。 今回は大量の画像から顔の部分だけをトリミングして保存する方法を紹介します。 機械学習用画像の準備としても使えると思いますので、ぜひ参考にしてみてください。 テスト環境 macOS Sierra Anaconda3-4.2.0-MacOSX-x86_64 python 3.5.2 opencv3 3.1.0 まずは１枚でチャレンジ import cv2 import matplotlib.pyplot as plt import numpy as np from PIL import Image %matplotlib inline #入力ファイルのパスを指定 in_jpg = "./photo/1.jpg" out_jpg = "./photo_

OpenCVを使った物体検出 こんにちは。 AI coordinatorの清水秀樹です。 映像からただ単に物体検出を試してみたいだけなら、すぐにでも試せる方法を紹介します。 SSD_kerasを使った物体検出は環境準備が大変であるのに対して、OpenCVインストール時に初めから準備されているカスケードファイルを使えば、すぐにでも物体検出が始められます。 手軽に始めてみたい方は、ぜひ当記事を参考にしてください。 テスト環境 macOS Sierra Anaconda3-4.2.0-MacOSX-x86_64 opencv3 3.1.0 物体検出を試してみる まず手始めに、胴体を検出できるカスケードファイル（haarcascades/haarcascade_fullbody.xml）を使用して試してみます。 成功するとこんな感じで動画が見れるはずです。 # -*- coding: UTF-8

学習モデルの作成 こんにちは。 AI coordinatorの清水秀樹です。 サンプルソースコードのSSD_kerasを使ってリアルタイム映像からの物体検出ができるようになると、自分で学習させたモデルで物体検出をやりたくなります。 そこでどうやったら学習モデルが作成できるのかネットサーフィンをしていたら、データ準備がとても大変かつ難易度が高いことを知りました。 中ば途方に暮れていたところ、実際に自分で準備した画像を画像データ準備用のツールを開発することで、独自の学習モデルを作成していたサイトを見つけました。 そのサイトを参考に、筆者でもその方法で試してみたところ、色々苦労しながらも無事に物体検出をすることができましたので、個人的な備忘録の意味も兼ねて、その内容の紹介をしたいと思います。 できるだけ分かりやすく説明していますので、挑戦してみたい方は当記事を参考に学習モデルを作成してみてくださ