コンテンツへスキップ

2019年08月31日  めざましじゃんけん 結果

フジテレビ めざましテレビ めざましじゃんけん の結果を保証したり、全ての結果が記載を保証するものではありません。

2019年08月31日のめざましじゃんけんの結果をベストエフォートで公開します。


じゃんけん結果システムイメージ

Goo(グー) Choki(チョキ) Pa(パー)

めざましテレビ|めざましじゃんけんーフジテレビ

めざましじゃんけん結果
回次結果対戦相手
8月31日
(土曜日)
【2戦目】08時21分松岡昌宏さん
【1戦目】07時22分ニック・ファジーカス選手

2019年08月26日週 めざましじゃんけん 結果

フジテレビ めざましテレビ めざましじゃんけん の結果を保証したり、全ての結果が記載を保証するものではありません。

2019年08月26日週 のめざましじゃんけんの結果を公開します。


じゃんけん結果システムイメージ

Goo(グー) Choki(チョキ) Pa(パー)

めざましテレビ|めざましじゃんけんーフジテレビ

めざましじゃんけん結果
回次結果対戦相手
8月31日
(土曜日)
【2戦目】08時21分松岡昌宏さん
【1戦目】07時22分ニック・ファジーカス選手
8月30日
(金曜日)
【4戦目】07時58分田中大貴 選手
【3戦目】07時35分加藤浩次さん
【2戦目】06時58分国分太一さん
【1戦目】05時58分まちかどじゃんけん
8月29日
(木曜日)
【4戦目】07時58分城島茂さん
【3戦目】07時35分松尾龍さん、中村浩大さん
【2戦目】06時58分岸井ゆきのさん
【1戦目】05時58分まちかどじゃんけん
8月28日
(水曜日)
【4戦目】07時58分生じゃんけん!ももいろクローバーZ
【3戦目】07時35分藤本美貴さん
【2戦目】06時58分サンドウィッチマン
【1戦目】05時58分まちかどじゃんけん
8月27日
(火曜日)
【4戦目】07時58分生じゃんけん!梶裕貴さん
【3戦目】07時35分比嘉愛未さん
【2戦目】06時58分生じゃんけん!酒井唯菜さん(2020ミス・ティーン・ジャパン)
【1戦目】05時58分まちかどじゃんけん
8月26日
(月曜日)
【4戦目】07時58分宮野真守さん、梶裕貴さん
【3戦目】07時35分山﨑賢人さん、新田真剣佑さん、永野芽郁さん
【2戦目】06時58分森本慎太郎さん
【1戦目】05時58分まちかどじゃんけん

2019年08月30日  めざましじゃんけん 結果

フジテレビ めざましテレビ めざましじゃんけん の結果を保証したり、全ての結果が記載を保証するものではありません。

2019年08月30日のめざましじゃんけんの結果をベストエフォートで公開します。


じゃんけん結果システムイメージ

Goo(グー) Choki(チョキ) Pa(パー)

めざましテレビ|めざましじゃんけんーフジテレビ

めざましじゃんけん結果
回次結果対戦相手
8月30日
(金曜日)
【4戦目】07時58分田中大貴 選手
【3戦目】07時35分加藤浩次さん
【2戦目】06時58分国分太一さん
【1戦目】05時58分まちかどじゃんけん

Movidius Neural Compute Stick 2(NCS2)導入

めざましじゃんけん時に取得したWEBカメラ画像を216枚で画像認識エンジンを動作させた際の性能比較です。
NCS2(Movidius Neural Compute Stick 2)導入により十分高速化された結果となりました。

参考記事:ディープラーニング向けUSBアクセラレーターNeural Compute Stick 2ー

Windows(GPU未使用)
Core i7 6700/(Skylake) クロック周波数:3.4GHz
15秒
Raspberry Pi 3
Model B+
ARM Cortex-A53 1.4GHz
785秒
Raspberry Pi 3
Model B+
ARM Cortex-A53 1.4GHz
+ Movidius Vision Processing Unit(Myriad 2)
105秒

OpenVINO™ toolkit for Raspbianインストール

インストールガイド:Install OpenVINO™ toolkit for Raspbian* OS

導入は簡単です。必要なライブラリをダウンロードし、ダウンロードしたライブラリー群にパスを通すスクリプトを実行して終了です。

Pythonスクリプト側も1行の変更で、無事にMovidius Neural Compute Stick 2(NCS2)の導入が完了しました。

「net.setPreferableTarget(cv.dnn.DNN_TARGET_CPU)」の記載を、DNN_TARGET_MYRIADに変更し、実行エンジンの指定を行います。
「net.setPreferableTarget(cv.dnn.DNN_TARGET_MYRIAD)」

Movidius Neural Compute Stick 2(NCS2)

しっかりとした包装で発送されており、製品の質感も良かったです。
発熱する製品なので、Rasberry PiのUSBポートからUSB延長ケーブルを用いて接続しました。
また、電源付きUSBハブ経由だとうまく動作しないケースがあったので、Raspberrypiの本体USBポートよりUSB延長ケーブルでNCS2(Movidius Neural Compute Stick 2)を接続しました。

Intel Neural Compute Stick 2

2019年08月29日  めざましじゃんけん 結果

フジテレビ めざましテレビ めざましじゃんけん の結果を保証したり、全ての結果が記載を保証するものではありません。

2019年08月29日のめざましじゃんけんの結果をベストエフォートで公開します。


じゃんけん結果システムイメージ

Goo(グー) Choki(チョキ) Pa(パー)

めざましテレビ|めざましじゃんけんーフジテレビ

めざましじゃんけん結果
回次結果対戦相手
8月29日
(木曜日)
【4戦目】07時58分城島茂さん
【3戦目】07時35分松尾龍さん、中村浩大さん
【2戦目】06時58分岸井ゆきのさん
【1戦目】05時58分まちかどじゃんけん

SDカードからUSB接続ブートへ変更

古い情報も多く、結構苦労しました。2019年8月時点の情報となります。
SDカードでの運用による信頼性は多くの人が気にしているようです。
ディスクへのアクセス速度もUSB接続にした方が早くなると思います。

以下、一般的な規格などからくる速度目安。
USB接続として、SSDかHDDは、静音、消費電力、温度、耐久性より、ニーズに合わせた選択になると思います。

SDカード
CLASS6
6MB/S
SDカード
CLASS10
10MB/S
USB2.060MB/S
SSD470MB/S
HDD140MB/S
USB3.0(参考)640MB/S

注意事項

今回、SDカードなしのUSBデバイスのみの構成とはしませんでした。
SDカードなしのUSBデバイスの直接ブートは、センシティブでした。
Raspberry Pi 3B +は、標準でUSBブート対応という内容も散見されましたが、他USB接続しているデバイスや、接続ポート、USBハブ経由、直接接続など条件によりブート可能であったり不可能であったりしました。
SDカードなしのUSBデバイスのみ構成構築時には、Raspberry PiUSBデバイスに綺麗なブートイメージを作成し、他USBデバイスを接続せずに、SDカードなしでブート可能か確認し、最終的な接続機器を設定・接続した状態での再起動テストをお勧めします。
試行錯誤の結果、ブート時間起動処理の信頼性を考え、SDカードにブートコードを格納し、USBデバイスを利用する方法での運用に移行しました。

USBデバイスへのブートイメージ作成には、Etcherを利用します。

SDカードブート構成からUSBデバイス構成への移行

  1. SDカード情報のコピー
  2. コピーしたデータのデバイスファイル関係設定変更
  3. 新規SDカードに「bootcode.bin」を書込み  GitHub

SDカード情報のコピー

新規SDカードにパーティションを作成します。

  • /dev/sda ブート領域、100M
  • /dev/sdb ルート領域、ブート領域100Mを除いた残りのディスクスペース

作成したパーティションをフォーマットします。

  • /dev/sda FAT32のWindowsフォーマット
  • /dev/sdb Ext4の標準的なLinuxフォーマットinode, jounalなどは標準で良いです

ファイル内容のコピーに向けて、コピー元、コピー先のマウントを実施。
現在のルート領域と作成したファイル領域をマウントするために、マウントフォルダを作成し、それぞれ、マウントします。

/ Rootルート領域および /bootブート領域をコピーします。

コピーしたデータのデバイスファイル関係設定変更

コピーした領域のブート関連ファイルの修正を行います。
comdline.txtファイルの「root」ディレクトリを「 /dev/sda2」へ変更します。

fstabの「/boot」および 「/」ルートディレクトリを、それぞれ、「 /dev/sda1」および「/dev/sda2」へ変更します。

新規SDカードに「bootcode.bin」を書込み GitHub

容量の小さなSDカードに、「bootcode.bin」を書き込みます。
※ 他ファイルを書き込む必要はありません。/bootの内容も不要です。

「bootcode.bin」は、GitHubよりダウンロードし、SDカードに書き込んでください。

参考にさせて頂いたサイト

USB接続のSSDデバイス

USB Type-Cにも対応、今後の使いまわしなども考えても、コストパフォーマンスが良いと思いました。

2019年08月28日 めざましじゃんけん結果

個人の実験的な試行内容であり、めざましじゃんけんの結果を保証したり、全ての結果が記載を保証するものではありません。

2019年08月28日のめざましじゃんけんの結果をベストエフォートで公開します。


じゃんけん結果システムイメージ

Goo(グー) Choki(チョキ) Pa(パー)

めざましテレビ|めざましじゃんけんーフジテレビ

めざましじゃんけん結果
回次結果対戦相手
8月28日
(水曜日)
【4戦目】07時58分生じゃんけん!ももいろクローバーZ
【3戦目】07時35分藤本美貴さん
【2戦目】06時58分サンドウィッチマン
【1戦目】05時58分まちかどじゃんけん

Yolo3、Tiny-Yolo3での独自学習方法

画像検出に向けて、独自に準備した教師データを用いて、AlexeyAB Darknetを用いて、YOLO3、Tiny-YOLO3で独自学習を行います。
YOLO3とTiny-YOLO3での独自学習時の違いは、独自学習時に指定するコンフィグファイルの違いのみとなります。処理速度と画像検出の違いとなっておりますが、画像検出対象により向き不向きもあると思うので、両方での試行をお勧めします。

また、YOLO2など以前のフレームワークも利用しましたが、画像検出精度や検出速度で、明らかにYOLO3のほうが良いので、学習後のモデル動作環境がYOLO3で問題なければ、YOLO3の利用をお勧めします。

参考にさせて頂いたサイト

前提条件

AlexeyAB Darknetを用いて、YOLO3・Tiny-YOLO3で独自学習に向けた準備

LabelImg利用方法(アノテーション)で準備した、7クラスの学習を行います。
最終的な、独自学習を実行する際のコマンドラインは以下となります。

  1. darknet.exe
    Windows10に AlexeyAB・Darknet・YOLO V3導入(Vestal Studio)でコンパイルした実行ファイル。(「darknet\build\darknet\x64」に格納されています)
  2. obj.data(obj.data内で指定するobj.names)の2ファイル
  3. yolov3-voc-janken.cfg、yolo3, tiny-yolo3向けに事前準備されたモデル定義をコピーして独自学習向けに作成
  4. darknet53.conv.74、学習開始時の初期ウェイトファイル。yolo3とtiny-yolo3では異なるファイルを用います。

obj.dataに、train(学習データー)とvalid(検証データー)のリストを設定します。
このtrainとvalidのファイルリストは、LabelImg利用方法(アノテーション)でラベリングしたフォルダで、以下のスクリプト(process.py)を実行し、自動的に作成します。

process.pyですが、データファイルのパス指定、ファイル名、テストデータの割合を指定します。以下の例では、検証データを全体のファイル数の10%を検証データに指定されています。

  • train.txt トレーニング用画像ファイル一覧
  • test.txt 検証用画像ファイル一覧

obj.data(obj.data内で指定するobj.names)の2ファイル

「darknet\build\darknet\x64\cfg\obj.data」ファイル

学習クラス数をClassに登録します。作成した、train.txtとtest.txtファイルパスを指定します。
次に作成する、cfg/obj.namesと学習結果を格納するフォルダbackupを指定します。

「darknet\build\darknet\x64\cfg\obj.names」ファイル

学習クラス名一覧を指定します。

yolov3-voc-janken.cfg、yolo3, tiny-yolo3向けに事前準備されたモデル定義をコピーして独自学習向けに作成

Yolo3向けcfgファイル作成

「darknet\build\darknet\x64\cfg\」フォルダ内の初期ファイルをコピーして、自己学習向けのコンフィグファイルを作成します。yolov3.cfg、yolo-obj.cfgをコピー元ファイルとして、編集するコンフィグファイルを作成します。

  • Batch数を変更します。batch=64
  • Subdivisionsを変更します。subdivisions=8
  • 学習するクラス数に合わせて、最大バッチ回数を指定します。
    学習するクラス数×2000となります。
    7クラスでの学習の際には、max_batches=14000 とします。
  • Stepsを最大バッチ回数の80%と90%になるように修正します。
    最大バッチ回数が14000の場合は、steps=11200,12600とします。
  • 3つある[yolo]レイヤーのClassesを、今回学習させる7に変更します。
  • [yolo]レイヤー直前の[convolutional]レイヤーのfiltersを変更します。
    filtersの値は、(classes + 5)×3とします。
    7クラスの場合は、(7+5)×3=36を指定します。

Tiny-Yolo3向けcfgファイル作成

「darknet\build\darknet\x64\cfg\」フォルダ内の初期ファイルをコピーして、自己学習向けのコンフィグファイルを作成します。yolov3-tiny-obj.cfg、yolov3-tiny_obj.cfgをコピー元ファイルとして、編集するコンフィグファイルを作成します。

yolov3-tiny-obj.cfg based on cfg/yolov3-tiny_obj.cfg

  • Batch数を変更します。batch=64
  • Subdivisionsを変更します。subdivisions=8
  • 学習するクラス数に合わせて、最大バッチ回数を指定します。
    学習するクラス数×2000となります。
    7クラスでの学習の際には、max_batches=14000 とします。
  • Stepsを最大バッチ回数の80%と90%になるように修正します。
    最大バッチ回数が14000の場合は、steps=11200,12600とします。
  • 2つある[yolo]レイヤーのClassesを、今回学習させる7に変更します。
  • [yolo]レイヤー直前の[convolutional]レイヤーのfiltersを変更します。
    filtersの値は、(classes + 5)×3とします。
    7クラスの場合は、(7+5)×3=36を指定します。

学習開始時の初期ウェイトファイル準備

Yolo3向け初期ウェイトファイルダウンロード

https://pjreddie.com/media/files/darknet53.conv.74よりdarknet53.conv.74ファイルをダウンロードします。ダウンロードしたdarknet53.conv.74ファイルが初期ウェイトファイルとなります。

darknet53.conv.74

Tiny-Yolo3向けウェイトファイルダウンロード

https://pjreddie.com/media/files/yolov3-tiny.weightsよりyolov3-tiny.weightsファイルをダウンロードし、darknet.exeおよび標準のcfgファイルを用いて、初期ウェイトファイルを準備します。

yolov3-tiny.conv.15

AlexeyAB/DarknetでYOLO3トレーニング開始

最初に示したコマンドラインで自己学習を開始します。

Out of Memory

Out of Memoryが出る場合、GPUのメモリ不足となり、設定ファイルの変更が必要となります。設定ファイルで設定した、 subdivisions=16 を「32」や「64」へ変更し実行可能な設定へ変更が必要です。

32の倍数での画像サイズの縮小でも学習時のメモリサイズを減らすことが出来ます。width=256、height=256 などへwidth, heightを変更。

2019年08月27日 めざましじゃんけん結果

個人の実験的な試行内容であり、めざましじゃんけんの結果を保証したり、全ての結果が記載を保証するものではありません。

2019年08月27日のめざましじゃんけんの結果をベストエフォートで公開します。


じゃんけん結果システムイメージ

Goo(グー) Choki(チョキ) Pa(パー)

めざましテレビ|めざましじゃんけんーフジテレビ

めざましじゃんけん結果
回次結果対戦相手
8月27日
(火曜日)
【4戦目】07時58分生じゃんけん!梶裕貴さん
【3戦目】07時35分比嘉愛未さん
【2戦目】06時58分生じゃんけん!酒井唯菜さん(2020ミス・ティーン・ジャパン)
【1戦目】05時58分まちかどじゃんけん

ASRock の DeskMini 310 Series

少し前に、Shuttleの2.5インチドライブを4つ搭載可能なベアボーンを紹介しましたが、 Intel® H310チップセット搭載で、2.5インチドライブを2つ搭載可能なベアボーンに魅力を感じております。
参考記事:RAID対応ShuttleベアボーンXH270

メインサーバー Synology

  • 動作がもっさりすることがある
  • 特に、一番しっかりしてほしいWEBサーバーの動きがもっさり
    WEB APIのタイムアウトやWEBサイトへのアクセス不通

WordPressおよびDB(SQL)向けサーバを準備したいなと考えております。
よって、大容量が必要なNASはSynology。
CPU処理速度と十分なメモリ容量、そして少ない電力と考えていると今回のASRockのDeskMini 310 SeriesのASRock Intel H310ベアボーンが出てきました。

  • Synology DiskStation DS218j 2ベイ
    • 1.3GHzデュアルコアCPU
    • 512MB DDR3メモリ搭載

ASRock Intel H310ベアボーン

Mini-STX 、ミニ・ソケット・テクノロジー・エクステンデッド(Mini Socket Technology Extended)(Mini-STX)フォームファクタにより Intel® LGA 1151 ソケットベースの Intel® プロセッサー対応、Intelのデスクトップ向けCPUを搭載できるので、費用対効果の良いCore™ i3 プロセッサーを利用できます。

  • Supports Intel® 9th/8th Core™ / Pentium® / Celeron® LGA1151 processors
  • 2 x SO-DIMM DDR4-2666MHz, Max. 32GB (non-ECC)
  • 3 つのビデオ出力: DisplayPort、HDMI、D-Sub
  • 1 x Ultra M.2 PCIe Gen3 x4 スロット
  • 2 x 2 x 2.5" HDD/SSD トレイ
  • 1 x M.2 (2230) Wi-Fi スロット
  • USB 3.1 Gen1 Type-C ポート
  • Micro SD カードリーダー
CPUとメモリは、RAID対応ShuttleベアボーンXH270で紹介した製品を選ぶとして、ディスクは、信頼性を上げたいので2.5インチHDDを選ぶと思います。4万円前後で購入可能と思います。
(ShuttleベアボーンXH270構成:トータルで7万円ぐらいでした)
  • INTEL インテル Core i3-9100F
  • Crucial [Micron製] DDR4 ノート用メモリー 8GB x2 
  • 東芝 2.5インチ 1TB MQ01ABD100 SATA✕2台

intel MM999J4X Core i3-9100F LGA1151(INT-BX80684I39100F)

もちろん、Synologyも簡単にサーバー運用が出来るので、おすすめです。