USDZ形式の3DモデルをModel I/Oで読み込みSceneKitで利用する - Qiita
WWDC18で発表されたARコンテンツの新フォーマット "USDZ" ですが、同WWDCでのセッション「Integrating Apps and Content with AR Quick Look」ではQLPreviewControllerやSafariでプレビューするためのHTMLの解説はあれど、ARKit・SceneKitで利用するための実装方法については提示されていませんでした1。 しかし、「ARKitアプリケーションの実装をしなくてもAR体験を提供できるフォーマット」という点がUSDZの最もインパクトがある点だとしても、それを含めて「ユニバーサル」2である点がUSDZという新フォーマットの売りであるはずで、ARKitでの利用方法（＝SceneKitでの利用方法）について明示されないのは片手落ち感を感じてしまいました。「ブラウザやプレビューでAR体験を提供するための『専用』フォーマ
ARKit 2.0の画像トラッキングとARKit 1.5の画像検出の違い - Qiita
ARKit 2.0では、「画像トラッキング」という新機能が加わりました。既知の2次元画像を検出・トラッキングできるので、ポスター等の現実世界に存在する2D画像を基盤にしてAR体験を開始することができるようになる、というものです。これを聞いて「あれ、その機能、既になかったっけ」と思った方もいたのではないでしょうか。 その既視感はある意味では正しく、ARKit 1.5で既に「画像検出」という機能が追加されています。 では、これらはどう違うのでしょうか？ARKit 1.5の画像検出機能を強化したものが2.0の画像トラッキングで、リプレースされたのでしょうか。それとも別々の機能として共存しているのでしょうか。 結論としては後者で、それぞれ強みを持つ別々の機能として共存しています。 コンフィギュレーションの違い まず実装面でみると、ARKit 1.5で搭載された画像検出は、検出対象とするリファレンス
Swiftでブロックチェーンを実装してみる - Qiita
『ブロックチェーンがどのように動いているのか学ぶ最速の方法は作ってみることだ』 『ブロックチェーンとは』みたいな記事を読んで概念はわかったつもりでも、「わかったような気がする」止まりで腹落ち感までは得られず、いつか自分で実装してみたいと思っていました。1 でも難しそうだし、本業とは関係ない（→時間が割けない）ので永遠にやらなそうだなぁ。。と思ってたら、こんな記事を発見。 ブロックチェーンを作ることで学ぶ 〜ブロックチェーンがどのように動いているのか学ぶ最速の方法は作ってみることだ〜 - Qiita なんとグッとくる副題でしょう2。記事の冒頭だけざっと読んだところ、**なんか、サッとできそうだぞ・・・！**と。実装量でいえば1日もかからなそうです。 Pythonはわからないので、Swiftで書いてみました。 以下、元記事のステップに沿ってSwift実装を載せていきます。引用記法の部分は元記事
iOSのMPSCNNに渡すモデルパラメータのフォーマット / TensorFlowからの書き出し - Qiita
iOS 11からCore MLが追加されましたが、もちろんiOS 10では利用することができません。代わりに、Metal Performance Shaders（MPS）フレームワークを利用してiOSデバイス上でCNN（Convolutional Neural Network）の推論を行うことが可能です。 iOSの機械学習フレームワークの比較 - Core ML / Metal Performance Shaders (MPSCNN) / BNNS - Qiita このMPSのCNN関連APIはiOS 10で追加されました。フレームワーク名に"Metal"とあるとおり、iOSデバイスのGPUで畳み込みニューラルネットワークを用いた推論の計算を行える、という代物です。 『先日書いた記事』では、MPSCNNを用いて手書き文字認識を行うCNNを実装するコードを示しました。 当該サンプル（Appl
TensorFlow の "AttributeError: 'module' object has no attribute 'xxxx'" エラーでつまづいてしまう人のための移行ガイド - Qiita
TensorFlow の "AttributeError: 'module' object has no attribute 'xxxx'" エラーでつまづいてしまう人のための移行ガイドPython機械学習DeepLearning人工知能TensorFlow TensorFlowでディープラーニングを試してみるにあたって、まずは先人たちが公開してくれているスクリプトを動かしてみよう、と思うわけですが、こういうエラーにぶつかってしまいます AttributeError: 'module' object has no attribute 'scalar_summary' AttributeError: 'module' object has no attribute 'merge_all_summaries' AttributeError: 'module' object has no att
書評：ハードウェアで何かつくりたいものが浮かんだときにArduinoでサクッとつくるためのレシピ本 - Prototyping Lab 第2版 - Qiita
「Prototyping Lab 第2版 ―「作りながら考える」ためのArduino実践レシピ」は、Arduinoを使ったチュートリアル・レシピをまとめたクックブックで、約7年前に刊行された同名の書籍の大幅改訂版です。 著者の小林 茂 先生、およびオライリー・ジャパン社より『Prototyping Lab 第2版 ―「作りながら考える」ためのArduino実践レシピ』をご恵贈いただきました。 2017年1月に刊行されたばかりで、Amazonで購入できます。 2017年4月現在、Kindle版はないようですが、オライリーの公式サイトにて電子版を購入することもできます。 ##書籍の概要 / 目次 本書はタイトルに「プロトタイピング」とある通り、ハードウェアで何かつくりたいものが浮かんだときに、Arduino & Processing でサクッとつくってみようという考え方の実践手法を紹介する本で
例の機械学習コースが良いらしいと知りながらも2年間スルーし続けたがやはり良かったという話 - Qiita
先日、オンライン学習サイトCourseraの"Machine Learning"コースを修了しました。これが最高に勉強になったわけですが、機械学習に興味があって情報収集を始めてる人にとって、「Courseraの機械学習コースがおすすめですよ」という話は 「はい、知ってます」 という感じではないでしょうか。 （たとえば、Qiitaで検索してみると、以下のような同コースに関連する超人気記事が出てきます） 数学を避けてきた社会人プログラマが機械学習の勉強を始める際の最短経路 - Qiita 機械学習をゼロから1ヵ月間勉強し続けた結果 - Qiita 僕もそんな感じで、幾度となく人や記事に同コースを薦められたりしつつ、たぶん2年ぐらいスルーし続けてきたと思います。 しかし約2ヶ月前、ひょんなきっかけから本講座を始めてみて、やはり評判通り最高だったと思うと同時に、僕と同じような感じでこのコースが良い
iOSのMetalで畳み込みニューラルネットワーク - MPSCNNを用いた手書き数字認識の実装 - Qiita
MetalでCNNの計算を行うためのAPI群、MPSCNNを用いた手書き数字認識のサンプルを読む、という記事の続きです。 iOS 10でMetal Performance Shadersフレームワークに、CNN（Convolutional Neural Network）演算機能群が追加されました。iOSデバイスのGPUで畳み込みニューラルネットワークの計算をさせることができる、という代物です。 前編ではネットワークの中身には踏み込まず、オーバービューとして利用するアプリケーション側の実装について見ていきました。 後編となる本記事ではいよいよMetal Performance Shadersを用いたCNN（Convolutional Neural Network / 畳み込みニューラルネットワーク）の実装について見ていきます。 なお、CNN自体の解説はここでは省略しますが、概念をざっくり理解
TensorFlow for iOS のモデルについて - Qiita
以前、『TensorFlowの学習済みモデルを拾ってきてiOSで利用する』という記事を書いたのですが、そのとき用いたモデルデータはいずれも Protocol Buffers 形式でした。 （YOLOモデルでリアルタイム一般物体認識） Protocol Buffersはプラットフォーム等を問わない汎用的なフォーマットですが、上の記事を書いたときにわからなかったのが、.pbでエクスポートされたTensorFlow用のモデルでも、iOSで使えるものと使えないものの違いはあるのかないのか、あるとしたら何なのか（単にサイズや使用メモリ量とかが制限になってくるのか）、という点です。 理解の手がかりになるかわかりませんが、TensorFlowのiOSサンプルがどうやってモデルデータを読み込んでいるか、コードをちょっとだけ追ってみます。 なお、今回利用するサンプルはsimpleです。 .pbファイル読み込
TensorFlowの学習済みモデルを拾ってきてiOSで利用する - Qiita
iOS 10でニューラルネットワークAPIのBNNS (Basic neural network subroutines) がAccelerateフレームワークに追加されたり、TensorFlowのiOSサポートが追加されたり、Prismaがオフライン対応したりと、なんとなくあらかじめ学習させておいたモデルを使って計算するぐらいのことはiOSデバイス側でやらせてもいいんじゃないか、という空気感も出てきたような気がしてます。1 ・・・いや、そんな大層な理由ではなくて、機械学習/ディープラーニングについて無知な自分が、学習用に大量のデータを集めて、Pythonスクリプトを書いて自前モデルを作成するのは一段ハードルが高いように思えてしまいます。 というわけで、先日書いた『TensorFlowにiOSサポートが追加されたそうなので試してみた』の次のステップとして、GitHubとかに落ちている学習済
【書評】モバイルエンジニア向けのAWS解説書『Amazon Web Services クラウドネイティブ・アプリケーション開発技法』の紹介 - Qiita
【書評】モバイルエンジニア向けのAWS解説書『Amazon Web Services クラウドネイティブ・アプリケーション開発技法』の紹介JavaScriptAndroidAWSiOSSwift 著者・監修の佐々木 拓郎さん、 高柳さん、および SB Creative さまより『Amazon Web Services クラウドネイティブ・アプリケーション開発技法 一番大切な知識と技術が身につく』をご献本いただきました。 昨今のモバイルアプリケーションには大抵の場合バックエンドも必要になりますが、たとえば僕はiOSアプリしかつくれません。そういう場合に、他のサーバーサイドエンジニアやインフラエンジニアと組む以外に、ちょっと前であれば Parse.com を利用してサクッと済ませてしまう、という選択肢もありましたが、来年にはサービス終了してしまうという悲しい事態になってしまった今、やはりモバイ
Objective-C → Swift コンバータ3種を比較（Swiftify, iSwift, objc2swift） - Qiita
Objective-C → Swift コンバータ3種を比較（Swiftify, iSwift, objc2swift）Objective-CXcodeiOSSwift Swiftが発表されて以来早2年、なんだかんだと言い訳しつつその後も大量のObjective-Cコードを生産し続けてまいりました。そんなカルマを精算すべく、よく使いまわしているコードはSwift化 しておこう、と思うのですが、どうしても「既に動いているコードを書き直す」というのは、他の緊急性の高いタスクに割りこまれてしまいがち。。 そんなわけで、ObjC → Swiftに 自動変換 してくれるコンバートツールを試してみようと思い立った次第です。 コンバータを探してみる 「確かヤフーさんが昨年コンバータをオープンソースで出してたなー」とググってみると、けっこう他にもいろいろとコンバータや変換方法が見つかりました。
Swiftで書かれた人工知能・機械学習ライブラリ「Swift-AI」をiOSで動かしてみる - Qiita
全編Swiftで書かれたオープンソースの人工知能／機械学習ライブラリが出てきました。その名も「Swift-AI」。 https://github.com/collinhundley/Swift-AI デモが入っていて、こんな感じで手書き文字認識してくれます（詳細は後述します）。 今のところ iOS と OS X をサポート しているとのこと。MITライセンス。 できること README の Features を見ると、2016年2月現在、フィードフォワード（順伝播型）ニューラルネットワークと、高速行列演算ライブラリはできあがっているようです。 それぞれドキュメントがあります。 https://github.com/collinhundley/Swift-AI/blob/master/Documentation/FFNN.md#multi-layer-feed-forward-neural-
ディープラーニングの有名ライブラリ5種を最短距離で試す半日コース（TensorFlow, Chainer, Caffe, DeepDream, 画風変換） - Qiita
ディープラーニングの有名ライブラリ5種を最短距離で試す半日コース（TensorFlow, Chainer, Caffe, DeepDream, 画風変換）Python画像処理機械学習DeepLearningTensorFlow 「いつか勉強しよう」と人工知能／機械学習／ディープラーニング（Deep Learning）といったトピックの記事の見つけてはアーカイブしてきたものの、結局2015年は何一つやらずに終わってしまったので、とにかく一歩でも足を踏み出すべく、 本質的な理解等はさておき、とにかく試してみる ということをやってみました。 試したのは、TensorFlow、Chainer、Caffe といった機械学習およびディープラーニングの代表的なライブラリ／フレームワーク3種と、2015年に話題になったディープラーニングを利用したアプリケーション2種（DeepDream、chainer-g
オープンソースになったSwiftをビルドしてみる - Qiita
Swiftがついにオープンソース化されました！自分も何か pull request 送って「Swiftコントリビュータ」を名乗りたいところですが、言語のソースコードを前にしたところでいったい何からはじめてよいものかわからない、けど気分だけでもこの祭りに乗っかりたい、ということでとりあえずビルドしてみることにしました。 README をみると Getting Started のところに色々書いてあります。が、Ubuntuだけで必要な手順とかも混じっているので、OS X でビルドするための最短距離 を探ってみました。 色々試してみて、Swift をビルドするにあたって clone が必須なのは以下のリポジトリ。 $ git clone git@github.com:apple/swift.git swift $ git clone git@github.com:apple/swift-clan
ダウンロード可能な Audio Unit 関連のサンプルコード11個 - Qiita
Audio Unit は、iOS の Core Audio においてもっとも低レベル（ハードウェアより）に位置するフレームワークです。そのため低レイテンシを要求されるオーディオ処理機能を提供するアプリに向いています。 「ユニットをつなげて複雑なオーディオ処理を実現する」というしくみ（AUGraph）を持っており、まるでギターのエフェクターをつないで音をつくるようにユニット同士を結合できて、実装していて楽しいフレームワークでもあります。 ただ API は全部 C ベースだし、音を再生するだけでも（AVAudioPlayer 等と比較すると）複雑だったりするので、参考になるサンプルをいろいろと集めてみました。 どの Audio Unit を使用しているか（kAudioUnitSubType_xxxx で判断） どういうサンプルか 最終更新はいつか の観点からまとめています。 使用ユニットの項目
Audio Unitのコールバック関数を登録する方法３種の比較 - Qiita
Audio Unit で、コールバック関数を登録するための方法が何通りかあって、何だかややこしかったので整理してみました。 AudioUnitSetProperty まず一番基本的なものである AudioUnitSetProperty から。 AURenderCallbackStruct callbackStruct; callbackStruct.inputProc = renderCallback; callbackStruct.inputProcRefCon = &audioDataInfo; AudioUnitSetProperty(hogeUnit, // 対象となるAudio Unit kAudioUnitProperty_SetRenderCallback, kAudioUnitScope_Input, // スコープ 0, // バスナンバー &callbackStruct
iOSで使用できる Audio Unit 一覧 - Qiita
AUComponent.h 、または Audio Unit Component Services Reference より、iOS で使用可能な Audio Unit のサブタイプ を抜き出してみました。 概要説明つき。（ただし RemoteIO のようによく知られているものや、名称から役割が明らかなものは省略） 利用可能なiOSバージョンも付記してあります。これを見ると、iOS 5 でエフェクトが大量に追加され、iOS 6 でもコンバーター／ミキサーまわりが強化されたようです（個人的には delay の追加も嬉しい）。 kAudioUnitType_Output kAudioUnitSubType_GenericOutput A generic output unit provides the start/stop API, and provides the basic services
リリース、障害情報などのサービスのお知らせ
最新の人気エントリーの配信
j次のブックマーク
k前のブックマーク
lあとで読む
eコメント一覧を開く
oページを開く
TensorFlowで作ったモデルをCore MLで利用する - Qiita
DCGAN-tensorflowで自動画像生成をお手軽に試す - Qiita
