2026-08-14

夏休みの自由研究：六角形の2次元コード🦓

Pillow 自由研究

今年の夏休みの自由研究です。
六角形の2次元コードで、SF系の漫画とかゲームに登場するようなイメージです。

例年は、ネタの要素はありつつ、多少の実用性とか仕事への応用も視野に入れたものを
作ったり試したりしているのですが、今年は実用性皆無です（QRコード使えばよいし）

ブラウザ上での動作確認👀 https://t.co/PdOc93FdAx pic.twitter.com/7apU20oh0u
— 高橋かずひと@パワポLT職人 (@KzhtTkhs) 2026年8月13日

いつか作ってみたいと思いつつ、実用性がほぼ無いのに実装量が重めという難儀なもので、中々作れなかったのですが、、、
今年はコーディングエージェントのパワーもあり、ある程度動くところまで作りこむことができました🦔

作成したコードは以下にコミットしています👀
Pyodide利用でブラウザで動作するデモも同梱しています。

github.com

追記：

Zennに簡単にまとめた内容を投稿しました🦓

zenn.dev

以上。

2026-08-03

PaddleOCRv6をONNXに変換してお試し🦔

OCR PaddlePaddle 機械学習

PaddleOCRv6をONNX変換して、推論スクリプトからpyclipperとshapely依存を排除したサンプルコードです👀

精度を追い求めたいならPaddleOCR-VLのほうが良いです（もちろん相応に処理が重いですが）

だいぶ遅れたけどPaddleOCRv6味見している👀
悪くない。堅実にアップデートしている感がある( ´ー｀)y-~~ pic.twitter.com/5XPfZdrAQN
— 高橋かずひと@パワポLT職人 (@KzhtTkhs) 2026年7月28日

あと、今回からWebデモ（onnxruntime-web利用）を追加しました。
割とお手軽に動作確認できるようになりました。
PaddleOCR v6 ONNX Web Demo

リポジトリは以下です。

github.com

2026-07-30

ピュアGo実装でのONNX推論ライブラリ v0.0.6🧪

Go ONNX

確実に僕しか利用していないだろうと言えるライブラリです。
ピュアGo実装のONNX推論ライブラリ🦔

以前、Opusが「もう最適化の余地はありません」と言っていましたが、Fableにまかせたら以下の改善をぶち込んでくれました👀
やるやん、、、( ´ー｀)y-~~

■ 成果
・個別モデルの高速化例:
  DEIMv2 atto: 2.2 倍
  UVDoc: 2.7 倍
  PaddleOCRv6(det+cls+rec 一式): 1.7 倍
  MobileSAM ViT encoder: 1.3 倍
  candy / mosaic(スタイル変換): 1.3 倍

■ グラフ最適化パス(11 → 18 パス)
・追加: fold_constants / fuse_layer_norm / fuse_rms_norm(PyTorch 逆数形対応)/ fuse_hardswish / simplify_transposes
・パス順序修正: fuse_conv_add_bias を BN 融合より前へ(Paddle 系 Conv→Add→BN で BN 融合が不発だった問題を解消)
・バグ修正: 新パスがグラフ出力名を書き換えないようガード追加

■ Conv カーネル
・ストリップ融合実行: col 行列全体(数十 MB)を作らず、L2 に収まる行ストリップ単位で im2col→GEMM を融合し worker へ動的分配
・並列分割の形状適応: 行(OC)分割に加え列(HW)分割を新設。小チャネル大空間 conv で効く
・汎用 depthwise カーネル: 3×3 特化 → 任意 K×K + チャネル並列(7×7 / 5×5 depthwise が対象)
・dilated im2col の interior fast path(境界チェック排除、stride1 は行 copy)
・ConvTranspose 並列化(GEMM 列分割 + col2im の oc 並列)
・Winograd F(2×2,3×3) 追加: 3×3 s1 conv を FLOP 1/2.25 で計算。小チャネルでは逆効果と実測されたため C≥64・OC≥64・タイル数≥900 に限定適用

■ GEMM カーネル
・B パネルパッキング(BLIS 流): microkernel に C ストライドを分離し、B パネルを連続バッファへパック(累積順序不変=結果ビット一致)
・MatMul: packed 重みの N-D 入力対応 + 行並 lace 化

■ その他のカーネル
・elementwise 活性化の並列化(FastGELU / RelurdSwish / Softmax。重い op と軽い opで並列化閾値を分離)
・ReduceMean: 末尾連続軸(GAP / LayerNorm 形状)の fast path + 並列化
・Resize: bilinear 並列化 + nearest の NCHW   + 行 copy)
・MaxPool 並列化、Pad の行 copy 化
・Transpose / Slice: 毎要素の座標分解(除算)→ 連続ラン copy + 差分更新カウンタ + 並列化(ViT 系で -20%)

■ KernelConfig(7 → 11 フラグ)
・追加: UseParallelOps / UseReduceFastPath /
・既存ギャップ修正: UseTiledGEMM が conv 系 GEMM で無視されていた問題を解消(全最適化がオンオフ可能に)

kazuhito00.hatenablog.com

github.com

2026-06-02

LocateAnything-3B 味見👀

Colaboratory 物体検出

LocateAnything-3Bさんを味見🦔

結構早くて、（意地悪な対象じゃなければ）結構品質が高いのですが、、、
NVIDIAライセンス（ざっくりいうとNVIDIA関連会社以外は商用不可）なのが、ちょっと使いにくいんですよねー。。。

LocateAnything-3Bさん、L4 GPUでコレが806 ms👀
使いどころを考えれば結構使い道あるとは思うんだけど、、、
安定のNVIDIAライセンス（NVIDIA関連会社以外は商用不可）なんだよなー( ´ー｀)y-~~ https://t.co/zbbzoz1hrl pic.twitter.com/Ezu4kLgNkc
— 高橋かずひと@パワポLT職人 (@KzhtTkhs) 2026年6月2日

お試ししたノートブックは以下にコミットしています。

github.com