<?xml version="1.0" encoding="UTF-8"?><rss version="2.0"
	xmlns:content="http://purl.org/rss/1.0/modules/content/"
	xmlns:wfw="http://wellformedweb.org/CommentAPI/"
	xmlns:dc="http://purl.org/dc/elements/1.1/"
	xmlns:atom="http://www.w3.org/2005/Atom"
	xmlns:sy="http://purl.org/rss/1.0/modules/syndication/"
	xmlns:slash="http://purl.org/rss/1.0/modules/slash/"
	>

<channel>
	<title>タグ:Python &#8211; AIディベロッパーblog</title>
	<atom:link href="https://aidev.bluegarage.site/blog/tag/python/feed/" rel="self" type="application/rss+xml" />
	<link>https://aidev.bluegarage.site/blog</link>
	<description>AI技術を使った様々な開発のTIPSや技術のブログです</description>
	<lastBuildDate>Wed, 08 Jul 2026 01:46:19 +0000</lastBuildDate>
	<language>ja</language>
	<sy:updatePeriod>
	hourly	</sy:updatePeriod>
	<sy:updateFrequency>
	1	</sy:updateFrequency>
	
	<item>
		<title>PyTorchでONNXを「model.onnx」と「model_weights.bin」に分けて出力する方法【古いバージョンにも対応】</title>
		<link>https://aidev.bluegarage.site/blog/2026/07/08/pytorch%e3%81%a7onnx%e3%82%92%e3%80%8cmodel-onnx%e3%80%8d%e3%81%a8%e3%80%8cmodel_weights-bin%e3%80%8d%e3%81%ab%e5%88%86%e3%81%91%e3%81%a6%e5%87%ba%e5%8a%9b%e3%81%99%e3%82%8b%e6%96%b9%e6%b3%95%e3%80%90/</link>
				<pubDate>Wed, 08 Jul 2026 01:46:19 +0000</pubDate>
		<dc:creator><![CDATA[aidevadmin]]></dc:creator>
				<category><![CDATA[その他]]></category>
		<category><![CDATA[inference]]></category>
		<category><![CDATA[onnx]]></category>
		<category><![CDATA[Python]]></category>
		<category><![CDATA[PyTorch]]></category>
		<category><![CDATA[tensor]]></category>
		<category><![CDATA[エラー]]></category>

		<guid isPermaLink="false">https://aidev.bluegarage.site/blog/?p=9732</guid>
				<description><![CDATA[PyTorchでONNXモデルを書き出す際、大きなモデルではONNX External Data形式を利用して、モデル本体と重みファイルを別々に保存したいことがあります。 この記事では、 model.onnx model_weights.bin の2ファイルに分けて出力する方法と、古いPyTorchを使用している場合の対処法を紹介します。 通常のONNX出力 一般的なONNX出力は次のようになります。 torch.onnx.export( wrapper, (sample, timestep, encoder_hidden_states), os.path.join(outdir, "unet", "model.onnx"), input_names=["sample", "timestep", "encoder_hidden_states"], output_names=["out_sample"], dynamic_axes={ "sample": {0: "batch", 1: "channels", 2: "height", 3: "width"}, "timestep": {0: "batch"}, [&#8230;]]]></description>
									</item>
		<item>
		<title>「話しかけると自動で認識して自然な声で返答してくれるシステム」をWindows環境に構築</title>
		<link>https://aidev.bluegarage.site/blog/2026/07/07/%e3%80%8c%e8%a9%b1%e3%81%97%e3%81%8b%e3%81%91%e3%82%8b%e3%81%a8%e8%87%aa%e5%8b%95%e3%81%a7%e8%aa%8d%e8%ad%98%e3%81%97%e3%81%a6%e8%87%aa%e7%84%b6%e3%81%aa%e5%a3%b0%e3%81%a7%e8%bf%94%e7%ad%94%e3%81%97/</link>
				<pubDate>Tue, 07 Jul 2026 01:18:49 +0000</pubDate>
		<dc:creator><![CDATA[aidevadmin]]></dc:creator>
				<category><![CDATA[アプリケーション開発]]></category>
		<category><![CDATA[CUDA]]></category>
		<category><![CDATA[deepseek]]></category>
		<category><![CDATA[gpu]]></category>
		<category><![CDATA[Python]]></category>
		<category><![CDATA[PyTorch]]></category>
		<category><![CDATA[Windows]]></category>
		<category><![CDATA[エラー]]></category>

		<guid isPermaLink="false">https://aidev.bluegarage.site/blog/?p=9730</guid>
				<description><![CDATA[ローカルPC上で完全に動作する音声会話AIを作る方法を解説します。DeepSeek-R1（Ollama）・Silero VAD・Whisper・VOICEVOXを組み合わせて、「話しかけると自動で認識して自然な声で返答してくれるシステム」をWindows環境に構築します。 システム構成 マイク音声 ↓ Silero VAD（発話検出） ← 声が来たら自動で反応 ↓ Whisper（音声→テキスト） ↓ DeepSeek-R1 / Ollama（AIの返答生成） ↓ VOICEVOX（テキスト→自然な音声） ↓ スピーカー 必要なもの ツール 用途 入手先 Python（embed版 or 通常版） スクリプト実行 python.org ollama.exe AIモデルのサーバー github.com/ollama/ollama/releases VOICEVOX（run.exe） 日本語音声合成 voicevox.hiroshiba.jp ffmpeg.exe Whisperの音声前処理 github.com/BtbN/FFmpeg-Builds/releases フォルダ構成 すべてを1つのフォルダにまとめ [&#8230;]]]></description>
									</item>
		<item>
		<title>Seedance 2.0とWan 2.2を徹底比較！ローカルで動かせるAI動画生成モデルはどっち？</title>
		<link>https://aidev.bluegarage.site/blog/2026/07/02/seedance-2-0%e3%81%a8wan-2-2%e3%82%92%e5%be%b9%e5%ba%95%e6%af%94%e8%bc%83%ef%bc%81%e3%83%ad%e3%83%bc%e3%82%ab%e3%83%ab%e3%81%a7%e5%8b%95%e3%81%8b%e3%81%9b%e3%82%8bai%e5%8b%95%e7%94%bb%e7%94%9f/</link>
				<pubDate>Thu, 02 Jul 2026 02:02:55 +0000</pubDate>
		<dc:creator><![CDATA[aidevadmin]]></dc:creator>
				<category><![CDATA[動画]]></category>
		<category><![CDATA[gpu]]></category>
		<category><![CDATA[Hugging Face]]></category>
		<category><![CDATA[Python]]></category>
		<category><![CDATA[wan]]></category>
		<category><![CDATA[エラー]]></category>

		<guid isPermaLink="false">https://aidev.bluegarage.site/blog/?p=9726</guid>
				<description><![CDATA[AI動画生成の分野で注目を集める「Seedance 2.0」と「Wan 2.2」。この2つは似たような文脈で語られることが多いですが、実は根本的に異なる性質を持つモデルです。本記事では、両者の違いを整理したうえで、ローカル環境でWan 2.2を動かすための要件と手順を解説します。 Seedance 2.0とは Seedance 2.0は、TikTokやDouyinを運営するByteDanceが開発したAI動画生成モデルです。テキスト・画像・動画・音声を組み合わせて入力できるマルチモーダル対応が特徴で、映像と音声を完全に同期させた状態で出力できます。 主なスペックは以下の通りです。 出力解像度：最大2K（2048×1080相当） 動画の長さ：4〜15秒（カスタマイズ可能） 参照ファイル数：最大12件（画像9枚・動画3本・音声3ファイル） 音声生成：効果音・BGM・多言語ナレーションが映像と完全同期 生成速度：5秒動画で60秒未満 Seedance 2.0はローカルで動かせない 結論から言うと、Seedance 2.0はローカル環境では実行できません。オープンソースモデルではないため、すべての処理はByteDan [&#8230;]]]></description>
									</item>
		<item>
		<title>無制限に無料でAIコーディング　VRAM 8GB のノートPCでQwen3 Coderを動かしてみる</title>
		<link>https://aidev.bluegarage.site/blog/2026/06/18/%e7%84%a1%e5%88%b6%e9%99%90%e3%81%ab%e7%84%a1%e6%96%99%e3%81%a7ai%e3%82%b3%e3%83%bc%e3%83%87%e3%82%a3%e3%83%b3%e3%82%b0%e3%80%80vram-8gb-%e3%81%ae%e3%83%8e%e3%83%bc%e3%83%88pc%e3%81%a7qwen3-coder/</link>
				<pubDate>Thu, 18 Jun 2026 07:46:58 +0000</pubDate>
		<dc:creator><![CDATA[aidevadmin]]></dc:creator>
				<category><![CDATA[アプリケーション開発]]></category>
		<category><![CDATA[chatgpt]]></category>
		<category><![CDATA[claude]]></category>
		<category><![CDATA[deepseek]]></category>
		<category><![CDATA[inference]]></category>
		<category><![CDATA[LLM]]></category>
		<category><![CDATA[Python]]></category>
		<category><![CDATA[Qwen]]></category>

		<guid isPermaLink="false">https://aidev.bluegarage.site/blog/?p=9706</guid>
				<description><![CDATA[無制限に無料でAIコーディングできるオープンソースのモデルQwen3 Coder　をVRAM 8GB のノートPCで動かしてみてその実力を見てみたいと思います。 まずこちらの記事に従いOllamaを入れます。このソフトはローカルでChatGPTのような感じでLLMを動かすためのソフトです。 次にモデル選択画面プルダウンで、qwen3-coderと入れて、qwen3-coderを選択状態にし何でもいいのでチャットを行います。 するとモデルのダウンロードが自動で始まります。(１７GBあるので結構時間がかかりますので待ちます) 意図的にコードにバグを仕込んで修正できるか試してみる あるコードを少しカスタマイズして下記のような絶対通らないIF文を作りOllamaにこのファイルを＋ボタンから追加して原因を聞いてみました。 if(!empty($youtubeId) &#38;&#38; 1==2){ $replace = [ &#8216;https://youtu.be/&#8217; =&#62; &#8221;, &#8216;https://www.youtube.com/watch?v=&#8217; =&#038;gt [&#8230;]]]></description>
									</item>
		<item>
		<title>エージェント型AIとLLMの違い、そして「できること」の本当の範囲</title>
		<link>https://aidev.bluegarage.site/blog/2026/06/12/%e3%82%a8%e3%83%bc%e3%82%b8%e3%82%a7%e3%83%b3%e3%83%88%e5%9e%8bai%e3%81%a8llm%e3%81%ae%e9%81%95%e3%81%84%e3%80%81%e3%81%9d%e3%81%97%e3%81%a6%e3%80%8c%e3%81%a7%e3%81%8d%e3%82%8b%e3%81%93%e3%81%a8/</link>
				<pubDate>Fri, 12 Jun 2026 01:27:54 +0000</pubDate>
		<dc:creator><![CDATA[aidevadmin]]></dc:creator>
				<category><![CDATA[その他]]></category>
		<category><![CDATA[claude]]></category>
		<category><![CDATA[LLM]]></category>
		<category><![CDATA[Python]]></category>
		<category><![CDATA[エラー]]></category>
		<category><![CDATA[最適化]]></category>

		<guid isPermaLink="false">https://aidev.bluegarage.site/blog/?p=9696</guid>
				<description><![CDATA[LLMとエージェントの違い LLM(大規模言語モデル)は、テキストを入力として受け取り、テキストを出力する基盤モデルそのものです。質問応答や文章生成など、単発の対話に強みがあります。 エージェント型のAI(例:Claude Code)は、LLMを中核として、ファイル操作・コード実行・テスト・検索などのツールを自律的に組み合わせ、複数ステップのタスクを自分で計画・実行・検証するシステムです。LLMが「頭脳」、エージェントは「頭脳+手足+判断ループ」と言えます。 主な違いは次の通りです。 動作範囲:LLMは1回の入出力で完結。エージェントは目標達成まで複数回のツール呼び出し・自己修正を繰り返す 環境との接続:LLMはテキストのみ。エージェントはファイルシステム、ターミナル、APIなどの実環境にアクセスできる 自律性:LLMは応答を生成するだけ。エージェントは計画立案→実行→確認→修正のループを自律的に回す 状態管理:エージェントはタスクの進行状況やコンテキストを保持しながら作業を継続する LLM自体はエージェントを動かす「エンジン」であり、エージェントはそのエンジンに自律的な実行能力を持たせたアプリケーションです [&#8230;]]]></description>
									</item>
		<item>
		<title>AIによるソフトウェア開発でコードが増えれば増えるほどAIのコーディングパフォーマンスが低下する問題</title>
		<link>https://aidev.bluegarage.site/blog/2026/06/01/ai%e3%81%a7%e3%82%bd%e3%83%95%e3%83%88%e3%82%a6%e3%82%a7%e3%82%a2%e9%96%8b%e7%99%ba%e3%81%a7%e3%82%b3%e3%83%bc%e3%83%89%e3%81%8c%e5%a2%97%e3%81%88%e3%82%8c%e3%81%b0%e5%a2%97%e3%81%88%e3%82%8b%e3%81%bb/</link>
				<pubDate>Mon, 01 Jun 2026 01:29:53 +0000</pubDate>
		<dc:creator><![CDATA[aidevadmin]]></dc:creator>
				<category><![CDATA[アプリケーション開発]]></category>
		<category><![CDATA[claude]]></category>
		<category><![CDATA[Python]]></category>
		<category><![CDATA[エラー]]></category>

		<guid isPermaLink="false">https://aidev.bluegarage.site/blog/?p=9685</guid>
				<description><![CDATA[当社ではエージェント型AI(自分でプロジェクト全体のコードを大まかに調査把握できる)も含めて使ってみてAIでどれだけソフトウェア全体を構築できるのかを制作しながら実験していますが、その際にコードが増えれば増えるほどAIのコーディングパフォーマンスが低下する問題が発生することが体感としてわかってきました。 AIを使ったソフトウェア開発は急速に普及していますが、実際に使ってみると「Aiの作業がどんどん遅くなった」「コードが大きくなればなるほどバグが増えた」という経験をする人も多いはずです。この記事では、AIとの開発でよく起きる問題とその原因、効率的な使い方のコツ、そして今後の展望まで、解説します。 1. AIでの開発で作業が遅くなる・バグが増えるのはよくあること？ 結論からいうと、よくある問題です。 主な原因は以下の通りです。 コンテキストウィンドウの問題 AIはセッション間で記憶を持たないため、毎回コードベース全体を「再読み込み」する必要がある コードが大きくなるほど、関連ファイルをすべて渡すのが難しくなる 重要なコンテキストが抜けると、AIが的外れな変更をしやすい 「大量検査」によるバグの典型パターン 変更が [&#8230;]]]></description>
									</item>
		<item>
		<title>2026年版｜中国系AI APIは本当に危険なのか？DeepSeek・Qwen・GLMを価格・性能・セキュリティで徹底比較</title>
		<link>https://aidev.bluegarage.site/blog/2026/05/28/2026%e5%b9%b4%e7%89%88%ef%bd%9c%e4%b8%ad%e5%9b%bd%e7%b3%bbai-api%e3%81%af%e6%9c%ac%e5%bd%93%e3%81%ab%e5%8d%b1%e9%99%ba%e3%81%aa%e3%81%ae%e3%81%8b%ef%bc%9fdeepseek%e3%83%bbqwen%e3%83%bbglm%e3%82%92/</link>
				<pubDate>Thu, 28 May 2026 01:34:28 +0000</pubDate>
		<dc:creator><![CDATA[aidevadmin]]></dc:creator>
				<category><![CDATA[その他]]></category>
		<category><![CDATA[claude]]></category>
		<category><![CDATA[deepseek]]></category>
		<category><![CDATA[google]]></category>
		<category><![CDATA[gpu]]></category>
		<category><![CDATA[LLM]]></category>
		<category><![CDATA[Python]]></category>
		<category><![CDATA[Qwen]]></category>
		<category><![CDATA[最適化]]></category>

		<guid isPermaLink="false">https://aidev.bluegarage.site/blog/?p=9681</guid>
				<description><![CDATA[生成AIブームが続く中、2025〜2026年にかけて急速に存在感を高めているのが、中国系LLM（大規模言語モデル）です。 特に、 DeepSeek Qwen GLM Kimi Doubao などは、驚異的な低価格で高性能APIを提供し、世界中の開発者に利用され始めています。 一方で、 「中国製AIは危険なのでは？」 「アメリカ製なら安全？」 「実際に企業はどれを使っている？」 という疑問を持つ人も多いでしょう。 この記事では、2026年時点での中国系AI APIについて、 価格比較 性能比較 実務での利用状況 中国AIが安い理由 セキュリティ上の懸念 アメリカ製AIとの違い をまとめて解説します。 中国系AI APIとは？ 中国系AI APIとは、中国企業が開発・提供しているLLM（大規模言語モデル）のAPIサービスです。 代表的な企業には以下があります。 DeepSeek Alibaba Cloud（Qwen） Zhipu AI（GLM） Moonshot AI（Kimi） ByteDance（Doubao） 近年はOpenAIやAnthropicに匹敵する性能を、圧倒的な低価格で提供することで急成長してい [&#8230;]]]></description>
									</item>
		<item>
		<title>AIで中規模ソフトウェアを丸ごと作るのは可能か？その方法論と限界</title>
		<link>https://aidev.bluegarage.site/blog/2026/05/25/ai%e3%81%a7%e4%b8%ad%e8%a6%8f%e6%a8%a1%e3%82%bd%e3%83%95%e3%83%88%e3%82%a6%e3%82%a7%e3%82%a2%e3%82%92%e4%b8%b8%e3%81%94%e3%81%a8%e4%bd%9c%e3%82%8b%e3%81%ae%e3%81%af%e5%8f%af%e8%83%bd%e3%81%8b%ef%bc%9f/</link>
				<pubDate>Mon, 25 May 2026 01:58:10 +0000</pubDate>
		<dc:creator><![CDATA[aidevadmin]]></dc:creator>
				<category><![CDATA[アプリケーション開発]]></category>
		<category><![CDATA[claude]]></category>
		<category><![CDATA[Python]]></category>
		<category><![CDATA[エラー]]></category>

		<guid isPermaLink="false">https://aidev.bluegarage.site/blog/?p=9677</guid>
				<description><![CDATA[AIは単一ファイルの生成は得意ですが、複数ファイルにまたがる設計の一貫性・依存関係の維持が苦手です。「とりあえずAIに投げる」だけでは、後から修正も拡張もできない壊れやすいコードが生まれます。この記事では、それを防ぐための具体的な方法論を解説します。 ⚠️ まず知っておくべき：AIへの矛盾した指令は危険 AIは「矛盾をエラーで止める」コンパイラではありません。矛盾した指令を与えると、次のような問題が起きます。 パターン AIの実際の挙動 危険度 矛盾に気づいて質問する 「どちらを優先しますか？」と聞いてくれる（理想） 低 どちらかを黙って優先する 後に書いた方・強調した方を無断で選択。人間は気づかない 🔴 高 両方を中途半端に満たす どちらの要件も中途半端に満たした「なんとなく動く」コードが生成される 🔴 高 古いルールを上書きする 長い会話の後に新しい指令が入ると、最初のルールを静かに破壊する 🔴 高 ⚡ 本質的な問題 AIは「矛盾を解決する」のではなく「それっぽい出力を生成する」モデルです。 コンパイラと違って「矛盾を検出して止まる」という保証がありません。 Phase 1 設計フェーズ（コードを書かせる [&#8230;]]]></description>
									</item>
		<item>
		<title>LLMはなぜコードが書けるのか？現状・限界・リスク</title>
		<link>https://aidev.bluegarage.site/blog/2026/05/21/llm%e3%81%af%e3%81%aa%e3%81%9c%e3%82%b3%e3%83%bc%e3%83%89%e3%81%8c%e6%9b%b8%e3%81%91%e3%82%8b%e3%81%ae%e3%81%8b%ef%bc%9f%e7%8f%be%e7%8a%b6%e3%83%bb%e9%99%90%e7%95%8c%e3%83%bb%e3%83%aa%e3%82%b9/</link>
				<pubDate>Thu, 21 May 2026 01:29:15 +0000</pubDate>
		<dc:creator><![CDATA[aidevadmin]]></dc:creator>
				<category><![CDATA[その他]]></category>
		<category><![CDATA[chatgpt]]></category>
		<category><![CDATA[claude]]></category>
		<category><![CDATA[LLM]]></category>
		<category><![CDATA[Python]]></category>
		<category><![CDATA[エラー]]></category>

		<guid isPermaLink="false">https://aidev.bluegarage.site/blog/?p=9671</guid>
				<description><![CDATA[ChatGPTやClaude、GitHub CopilotなどのLLM（大規模言語モデル）が、プログラムコードをすらすら書く姿を見て「なぜ？」と思ったことはないでしょうか。また、実際に使ってみると「意外と使えない場面もある」と感じた方も多いはず。 この記事では、LLMがコードを書ける仕組みから、現在の実用レベル、エラーを防ぐ方法、そして将来の限界までを解説いたします。 なぜLLMはプログラムが書けるのか コードも「テキスト」だからです。 LLMは「次に来るトークン（単語や記号）を予測する」モデルです。プログラムコードも人間の言語と同様に文字の並びであるため、同じ仕組みで扱えます。具体的な理由は以下の4点です。 大量のコードで学習している：GitHubやStack Overflowなど、インターネット上には膨大なコードが存在します。 コードは言語に似た構造を持つ：文法（シンタックス）・意味（セマンティクス）・文脈による正解の決まり方など、自然言語と共通する構造があります。 コードはパターンの繰り返し：「ファイルを読み込む」「ループを回す」「APIを叩く」など、頻出パターンが大量に学習されています。 説明文とコー [&#8230;]]]></description>
									</item>
		<item>
		<title>Pythonでローカル環境にAI生成画像判定ツールを作る方法【サンプルコード付き】</title>
		<link>https://aidev.bluegarage.site/blog/2026/05/20/python%e3%81%a7%e3%83%ad%e3%83%bc%e3%82%ab%e3%83%ab%e7%92%b0%e5%a2%83%e3%81%abai%e7%94%9f%e6%88%90%e7%94%bb%e5%83%8f%e5%88%a4%e5%ae%9a%e3%83%84%e3%83%bc%e3%83%ab%e3%82%92%e4%bd%9c%e3%82%8b%e6%96%b9/</link>
				<pubDate>Wed, 20 May 2026 02:01:18 +0000</pubDate>
		<dc:creator><![CDATA[aidevadmin]]></dc:creator>
				<category><![CDATA[その他]]></category>
		<category><![CDATA[pipeline]]></category>
		<category><![CDATA[Python]]></category>
		<category><![CDATA[PyTorch]]></category>
		<category><![CDATA[transformer]]></category>

		<guid isPermaLink="false">https://aidev.bluegarage.site/blog/?p=9669</guid>
				<description><![CDATA[AI画像生成技術の進化によって、実写と区別が難しい画像も増えてきました。「この画像はAI生成なのか？」と確認したい場面もあると思います。 オンラインサービスを使う方法もありますが、画像を外部へアップロードしたくない場合は、ローカル環境で動作する判定ツールが便利です。 この記事では、Pythonを使ってローカルPC上でAI生成画像を判定する簡単なサンプルを紹介します。 ローカル判定のメリット ローカル実行には次のような利点があります。 画像を外部サーバーへ送信しない オフラインでも動作可能 大量の画像をまとめて処理しやすい 自分で処理内容をカスタマイズできる 一方で注意点もあります。 AI生成画像判定は「100%正確」ではありません。最近の生成モデルは非常に高品質で、スクリーンショット化や圧縮後の画像では精度が下がることがあります。 そのため、判定結果は「参考情報」として扱うのがおすすめです。 動作環境 今回のサンプルでは以下を使用します。 Python 3.10以上推奨 PyTorch Transformers Pillow 必要ライブラリをインストール まずは必要なライブラリをインストールします。 pip  [&#8230;]]]></description>
									</item>
		<item>
		<title>ONNX Runtimeの「ORT_SEQUENTIAL」と「ORT_PARALLEL」の違いを解説</title>
		<link>https://aidev.bluegarage.site/blog/2026/05/12/onnx-runtime%e3%81%ae%e3%80%8cort_sequential%e3%80%8d%e3%81%a8%e3%80%8cort_parallel%e3%80%8d%e3%81%ae%e9%81%95%e3%81%84%e3%82%92%e8%a7%a3%e8%aa%ac-2/</link>
				<pubDate>Tue, 12 May 2026 01:40:42 +0000</pubDate>
		<dc:creator><![CDATA[aidevadmin]]></dc:creator>
				<category><![CDATA[アプリケーション開発]]></category>
		<category><![CDATA[inference]]></category>
		<category><![CDATA[onnx]]></category>
		<category><![CDATA[Python]]></category>

		<guid isPermaLink="false">https://aidev.bluegarage.site/blog/?p=9657</guid>
				<description><![CDATA[ONNX Runtime（ORT）を使っていると、ORT_SEQUENTIAL や ORT_PARALLEL という設定を見かけることがあります。 これらは Execution Mode（実行モード） を指定する重要な設定で、推論速度やCPU使用率に影響します。 この記事では、 ORT_SEQUENTIAL ORT_PARALLEL の違いを、PythonとC#のコード例付きでわかりやすく解説します。 ORT_SEQUENTIALとは ORT_SEQUENTIAL は 逐次実行モード です。 モデル内の処理（ノード）を、順番に1つずつ実行します。 特徴 順番に処理を実行 シングルスレッドに近い動作 オーバーヘッドが少ない 動作が安定しやすい 向いているケース 小規模モデル デバッグ用途 CPUコア数が少ない環境 安定動作を重視したい場合 ORT_PARALLELとは ORT_PARALLEL は 並列実行モード です。 依存関係のないノードを同時に実行し、CPUのマルチスレッドを活用します。 特徴 複数ノードを同時実行 CPUマルチコアを活用 推論速度向上が期待できる 大規模モデルで効果が高い 向いているケー [&#8230;]]]></description>
									</item>
		<item>
		<title>WindowsでVOICEVOXを使いPythonから日本語を話させる方法</title>
		<link>https://aidev.bluegarage.site/blog/2026/05/08/windows%e3%81%a7voicevox%e3%82%92%e4%bd%bf%e3%81%84python%e3%81%8b%e3%82%89%e6%97%a5%e6%9c%ac%e8%aa%9e%e3%82%92%e8%a9%b1%e3%81%95%e3%81%9b%e3%82%8b%e6%96%b9%e6%b3%95/</link>
				<pubDate>Fri, 08 May 2026 01:32:39 +0000</pubDate>
		<dc:creator><![CDATA[aidevadmin]]></dc:creator>
				<category><![CDATA[その他]]></category>
		<category><![CDATA[gpu]]></category>
		<category><![CDATA[Python]]></category>
		<category><![CDATA[Windows]]></category>
		<category><![CDATA[エラー]]></category>

		<guid isPermaLink="false">https://aidev.bluegarage.site/blog/?p=9655</guid>
				<description><![CDATA[VOICEVOXとは？ VOICEVOXは、無料で使えるローカル動作の音声合成ソフトです。ずんだもん・四国めたん・春日部つむぎなど、個性豊かなキャラクターボイスを使って日本語テキストを音声に変換できます。 完全ローカル動作（インターネット不要） 商用・個人利用ともに無料（各キャラクターの利用規約要確認） REST API経由でPythonから簡単に呼び出し可能 Windows / Mac / Linux 対応 VOICEVOX Engineのダウンロード GUIアプリが不要な場合は、エンジン単体版をダウンロードするのがおすすめです。 以下の GitHub Releases ページにアクセスします。 https://github.com/VOICEVOX/voicevox_engine/releases 最新バージョンの Assets から Windows 用ファイルを選択します。 GPU版（NVIDIA GPU搭載の場合）：windows-nvidia-*.zip CPU版（一般的なPC）：windows-cpu-*.zip ZIPファイルをダウンロードし、好きな場所に展開します。 例：C:\voicevox [&#8230;]]]></description>
									</item>
		<item>
		<title>【完全無料】Ollamaで“ChatGPTみたいなAI”をローカルPCで動かす方法｜VRAM 8GBでもOK・セキュリティ安心</title>
		<link>https://aidev.bluegarage.site/blog/2026/05/07/%e3%80%90%e5%ae%8c%e5%85%a8%e7%84%a1%e6%96%99%e3%80%91ollama%e3%81%a7chatgpt%e3%81%bf%e3%81%9f%e3%81%84%e3%81%aaai%e3%82%92%e3%83%ad%e3%83%bc%e3%82%ab%e3%83%abpc%e3%81%a7%e5%8b%95/</link>
				<pubDate>Thu, 07 May 2026 03:16:37 +0000</pubDate>
		<dc:creator><![CDATA[aidevadmin]]></dc:creator>
				<category><![CDATA[その他]]></category>
		<category><![CDATA[chatgpt]]></category>
		<category><![CDATA[claude]]></category>
		<category><![CDATA[deepseek]]></category>
		<category><![CDATA[gpu]]></category>
		<category><![CDATA[Python]]></category>
		<category><![CDATA[Windows]]></category>
		<category><![CDATA[エラー]]></category>
		<category><![CDATA[最適化]]></category>

		<guid isPermaLink="false">https://aidev.bluegarage.site/blog/?p=9651</guid>
				<description><![CDATA[「ChatGPTみたいなAIを、自分のPCだけで無料＆無制限に使いたい」 そんな人におすすめなのが、ローカルAI実行ツール Ollama と、高性能モデル DeepSeek-R1 の組み合わせです。 この方法なら、 月額料金なし API料金なし 回数制限なし 入力データが外部送信されない オフラインでも使える PHPなどのプログラミングも可能 という、かなり強力な環境を作れます。 しかも、VRAM 8GBクラスのGPUでも動作可能です。 今回は、Windows環境で初心者でもできる導入方法を、5ステップで解説します。 Ollamaとは？ Ollama公式サイト Ollamaは、AIモデルを自分のPCで簡単に動かせる無料ツールです。 通常、ChatGPT系AIはクラウド上で動作しますが、Ollamaを使うと、 自宅PC ゲーミングPC ノートPC などでローカル実行できます。 つまり、会話内容やコードが外部サーバーへ送信されません。 企業の機密情報やソースコードを扱う人にも人気があります。 DeepSeek-R1とは？ DeepSeek公式サイト DeepSeek-R1は、高性能な推論型AIモデルです。 特に強 [&#8230;]]]></description>
									</item>
		<item>
		<title>PyInstallerでStable DiffusionやQwenなどAIアプリをスタンドアロン化する方法と注意</title>
		<link>https://aidev.bluegarage.site/blog/2026/04/08/pyinstaller%e3%81%a7stable-diffusion%e3%82%84qwen%e3%81%aa%e3%81%a9ai%e3%82%a2%e3%83%97%e3%83%aa%e3%82%92%e3%82%b9%e3%82%bf%e3%83%b3%e3%83%89%e3%82%a2%e3%83%ad%e3%83%b3%e5%8c%96%e3%81%99%e3%82%8b/</link>
				<pubDate>Wed, 08 Apr 2026 03:01:29 +0000</pubDate>
		<dc:creator><![CDATA[aidevadmin]]></dc:creator>
				<category><![CDATA[アプリケーション開発]]></category>
		<category><![CDATA[onnx]]></category>
		<category><![CDATA[pipeline]]></category>
		<category><![CDATA[Python]]></category>
		<category><![CDATA[PyTorch]]></category>
		<category><![CDATA[Qwen]]></category>
		<category><![CDATA[Stable Diffusion]]></category>
		<category><![CDATA[transformer]]></category>
		<category><![CDATA[vae]]></category>
		<category><![CDATA[wan]]></category>
		<category><![CDATA[エラー]]></category>
		<category><![CDATA[最適化]]></category>

		<guid isPermaLink="false">https://aidev.bluegarage.site/blog/?p=9614</guid>
				<description><![CDATA[Python製のAIアプリ（Stable Diffusion、Qwen、Wanなど）を「Python未導入のPCでもそのまま動くスタンドアロン実行ファイル」にしたい場合、よく使われるのが PyInstaller です。 pip install pyinstaller pyinstaller &#8211;onefile main.py しかし、AI系ライブラリを含むアプリでは単純にビルドしただけでは失敗することが多く、以下のような追加オプションが必要になるケースがあります。 pyinstaller ^ &#8211;onefile ^ &#8211;hidden-import transformers ^ &#8211;hidden-import diffusers ^ &#8211;collect-all transformers ^ &#8211;collect-all diffusers ^ &#8211;collect-all requests ^ main.py 本記事では、このオプションがなぜ必要なのかを解説します。 なぜPyInstallerだけではうまくいかないのか？ PyInstallerは [&#8230;]]]></description>
									</item>
		<item>
		<title>ONNX Runtimeの「ORT_SEQUENTIAL」と「ORT_PARALLEL」の違いを解説</title>
		<link>https://aidev.bluegarage.site/blog/2026/04/07/onnx-runtime%e3%81%ae%e3%80%8cort_sequential%e3%80%8d%e3%81%a8%e3%80%8cort_parallel%e3%80%8d%e3%81%ae%e9%81%95%e3%81%84%e3%82%92%e8%a7%a3%e8%aa%ac/</link>
				<pubDate>Tue, 07 Apr 2026 01:20:36 +0000</pubDate>
		<dc:creator><![CDATA[aidevadmin]]></dc:creator>
				<category><![CDATA[アプリケーション開発]]></category>
		<category><![CDATA[inference]]></category>
		<category><![CDATA[onnx]]></category>
		<category><![CDATA[Python]]></category>

		<guid isPermaLink="false">https://aidev.bluegarage.site/blog/?p=9610</guid>
				<description><![CDATA[ONNX Runtime（ORT）を使っていると、ORT_SEQUENTIAL や ORT_PARALLEL という設定を見かけることがあります。これらは Execution Mode（実行モード） に関する重要な設定です。 この記事では、それぞれの違いと使い分けについてわかりやすく解説します。 ORT_SEQUENTIALとは ORT_SEQUENTIAL は 逐次実行モード です。 特徴 モデル内の処理（ノード）を 順番に1つずつ実行 シングルスレッドに近い動作 オーバーヘッドが少ない 向いているケース 小規模なモデル デバッグ用途 安定した動作を優先したい場合 ORT_PARALLELとは ORT_PARALLEL は 並列実行モード です。 特徴 依存関係のないノードを 同時に並列実行 CPUのマルチスレッドを活用 推論速度の向上が期待できる 向いているケース 大規模モデル CPUコア数が多い環境 パフォーマンス重視の推論処理 違いのまとめ 項目 ORT_SEQUENTIAL ORT_PARALLEL 実行方法 逐次（順番） 並列 スレッド 基本1つ 複数 パフォーマンス 安定・軽量 高速化の可能性あ [&#8230;]]]></description>
									</item>
		<item>
		<title>WanによるAI動画生成で「プロンプトを書いたのに人物が全然動かない」場合のパラメーターの見直し</title>
		<link>https://aidev.bluegarage.site/blog/2026/04/02/wan%e3%81%ab%e3%82%88%e3%82%8bai%e5%8b%95%e7%94%bb%e7%94%9f%e6%88%90%e3%81%a7%e3%80%8c%e3%83%97%e3%83%ad%e3%83%b3%e3%83%97%e3%83%88%e3%82%92%e6%9b%b8%e3%81%84%e3%81%9f%e3%81%ae%e3%81%ab%e4%ba%ba/</link>
				<pubDate>Thu, 02 Apr 2026 01:07:57 +0000</pubDate>
		<dc:creator><![CDATA[aidevadmin]]></dc:creator>
				<category><![CDATA[動画]]></category>
		<category><![CDATA[CUDA]]></category>
		<category><![CDATA[inference]]></category>
		<category><![CDATA[LoRA]]></category>
		<category><![CDATA[pipeline]]></category>
		<category><![CDATA[Python]]></category>
		<category><![CDATA[transformer]]></category>
		<category><![CDATA[vae]]></category>
		<category><![CDATA[wan]]></category>

		<guid isPermaLink="false">https://aidev.bluegarage.site/blog/?p=9602</guid>
				<description><![CDATA[WanによるAI動画生成で「プロンプトを書いたのに人物が全然動かない」という経験はありませんか？この記事では、Wanで人物の動きを強く引き出すプロンプトのコツと、シンプルな実行コードをまとめて解説します。 なぜ人物が動かないのか？ プロンプトの書き方以前に、パラメータ設定が原因でほぼ動かなくなるケースが多いです。まず以下を確認してください。 パラメータ NG値 推奨値 guidance_scale 1～２（低すぎる） 5.0〜7.0 num_inference_steps 8（少なすぎる） 20〜30 DMD蒸留LoRA 常時ON まず外して試す guidance_scale が低いとモデルがプロンプトをほぼ無視します。まずここを直すだけで改善することが多いです。 プロンプトで動きを引き出す5つのコツ 1. 動作を時系列で分解して書く 「歩く」だけでなく、身体の動きを順番に記述すると効果的です。 ❌ "The woman walks." ✅ "She lifts her right foot, strides forward, swings her arms, walking briskly." 2. 副詞・ [&#8230;]]]></description>
									</item>
		<item>
		<title>Hugging Faceモデルの保存場所・容量・削除方法まとめ（QwenやStable Diffusionにも対応）</title>
		<link>https://aidev.bluegarage.site/blog/2026/03/27/hugging-face%e3%83%a2%e3%83%87%e3%83%ab%e3%81%ae%e4%bf%9d%e5%ad%98%e5%a0%b4%e6%89%80%e3%83%bb%e5%ae%b9%e9%87%8f%e3%83%bb%e5%89%8a%e9%99%a4%e6%96%b9%e6%b3%95%e3%81%be%e3%81%a8%e3%82%81%ef%bc%88qwen/</link>
				<pubDate>Fri, 27 Mar 2026 02:01:28 +0000</pubDate>
		<dc:creator><![CDATA[aidevadmin]]></dc:creator>
				<category><![CDATA[アプリケーション開発]]></category>
		<category><![CDATA[Hugging Face]]></category>
		<category><![CDATA[LLM]]></category>
		<category><![CDATA[pipeline]]></category>
		<category><![CDATA[Python]]></category>
		<category><![CDATA[Qwen]]></category>
		<category><![CDATA[Stable Diffusion]]></category>
		<category><![CDATA[transformer]]></category>
		<category><![CDATA[Windows]]></category>

		<guid isPermaLink="false">https://aidev.bluegarage.site/blog/?p=9590</guid>
				<description><![CDATA[AIモデル（例：Qwen・Stable Diffusionなど）を使っていると、 「どこにダウンロードされてるの？」「気づいたら容量がヤバい…」と感じたことはありませんか？ この記事では、Hugging Face系モデルの保存場所・容量の仕組み・削除方法・保存先変更まで、まとめて解説します。 ■ モデルはどこにダウンロードされるのか？ from_pretrained() を使うと、モデルは自動的に Hugging Faceのキャッシュ領域に保存されます。 コード例 pipeline = QwenImageEditPipeline.from_pretrained( &#8220;Qwen/Qwen-Image-Edit&#8221;, transformer=transformer, scheduler=scheduler, torch_dtype=torch.bfloat16 ) ▼ デフォルト保存先 Linux / macOS ~/.cache/huggingface/hub/ Windows C:\Users\&#60;ユーザー名&#62;\.cache\huggingface\hub\ ■ 【重要】ダウンロ [&#8230;]]]></description>
									</item>
		<item>
		<title>safetensorsの「配線」はどこにある？Netronで線が見えない理由をわかりやすく解説</title>
		<link>https://aidev.bluegarage.site/blog/2026/03/25/safetensors%e3%81%ae%e3%80%8c%e9%85%8d%e7%b7%9a%e3%80%8d%e3%81%af%e3%81%a9%e3%81%93%e3%81%ab%e3%81%82%e3%82%8b%ef%bc%9fnetron%e3%81%a7%e7%b7%9a%e3%81%8c%e8%a6%8b%e3%81%88%e3%81%aa%e3%81%84%e7%90%86/</link>
				<pubDate>Wed, 25 Mar 2026 01:32:31 +0000</pubDate>
		<dc:creator><![CDATA[aidevadmin]]></dc:creator>
				<category><![CDATA[アプリケーション開発]]></category>
		<category><![CDATA[LoRA]]></category>
		<category><![CDATA[Netron]]></category>
		<category><![CDATA[onnx]]></category>
		<category><![CDATA[Python]]></category>
		<category><![CDATA[PyTorch]]></category>
		<category><![CDATA[safetensors]]></category>
		<category><![CDATA[tensor]]></category>
		<category><![CDATA[transformer]]></category>

		<guid isPermaLink="false">https://aidev.bluegarage.site/blog/?p=9583</guid>
				<description><![CDATA[機械学習モデル（特にTransformer系）を触っていると、.safetensors ファイルをNetronで開いたときに、 「ノードが並んでいるだけで、配線（接続）が見えない」 という疑問にぶつかることがあります。 この記事ではこの現象の理由と、実際にブロックの接続（配線）がどこに記録されているのかを整理して解説します。 なぜNetronで配線が見えないのか？ 結論から言うと： safetensorsには「配線情報」が入っていないためです。 safetensorsの正体 safetensors は非常にシンプルな構造をしています。 パラメータ名 → 数値テンソル 例えば： transformer_blocks.3.attn.add_k_proj.weight のように、「名前」と「行列データ」が紐づいているだけです。 safetensorsに含まれていないもの 以下のような情報は 一切保存されていません： forward関数（計算手順） ノード間の接続関係 データの流れ（計算グラフ） レイヤー間の依存関係 つまり： そもそも配線図そのものが存在しない のです。 Netronで何が表示されているのか？ Ne [&#8230;]]]></description>
									</item>
		<item>
		<title>Python（embed版）でCUDA対応PyTorchを使ったGPU推論環境の作り方</title>
		<link>https://aidev.bluegarage.site/blog/2026/03/23/python%ef%bc%88embed%e7%89%88%ef%bc%89%e3%81%a7cuda%e5%af%be%e5%bf%9cpytorch%e3%82%92%e4%bd%bf%e3%81%a3%e3%81%9fgpu%e6%8e%a8%e8%ab%96%e7%92%b0%e5%a2%83%e3%81%ae%e4%bd%9c%e3%82%8a%e6%96%b9/</link>
				<pubDate>Mon, 23 Mar 2026 01:56:15 +0000</pubDate>
		<dc:creator><![CDATA[aidevadmin]]></dc:creator>
				<category><![CDATA[アプリケーション開発]]></category>
		<category><![CDATA[CUDA]]></category>
		<category><![CDATA[gpu]]></category>
		<category><![CDATA[LLM]]></category>
		<category><![CDATA[Python]]></category>
		<category><![CDATA[PyTorch]]></category>
		<category><![CDATA[エラー]]></category>

		<guid isPermaLink="false">https://aidev.bluegarage.site/blog/?p=9570</guid>
				<description><![CDATA[はじめに 最近のGPU環境では「CUDAは自動で入っているのか？」「PyTorchはどこまで自動でやってくれるのか？」といった疑問を持つ人が多いと思います。 この記事では、Pythonのembed版（ポータブル環境）でCUDA対応PyTorchを使ったGPU推論を行う方法を、最小構成でわかりやすく解説します。 結論（重要ポイントまとめ） RTX 20xx以降でも CUDAは自動では入らない ただし PyTorch（CUDA版）に必要なライブラリは同梱されている GPU推論だけなら 👉 torchだけでOK（torchvision / torchaudioは不要） 必須なのは 👉 NVIDIAドライバのみ CUDAは勝手に入っているのか？ 結論： 👉 入っていない（完全な形では） ただし以下の理由で「入っているように見える」ことがあります： NVIDIAドライバに一部CUDAランタイムが含まれている PyTorchなどが必要なCUDAライブラリを同梱している そのため、 👉 「何もしてないのにGPU動いた」＝内部で依存関係が入っているだけ PyTorch（CUDA版）の仕組み CUDA対応のPyTorchは以下 [&#8230;]]]></description>
									</item>
		<item>
		<title>Stable Diffusion U-Net の ONNX に別の ONNX モデルを結合する方法</title>
		<link>https://aidev.bluegarage.site/blog/2026/03/17/stable-diffusion-u-net-%e3%81%ae-onnx-%e3%81%ab%e5%88%a5%e3%81%ae-onnx-%e3%83%a2%e3%83%87%e3%83%ab%e3%82%92%e7%b5%90%e5%90%88%e3%81%99%e3%82%8b%e6%96%b9%e6%b3%95/</link>
				<pubDate>Tue, 17 Mar 2026 01:49:57 +0000</pubDate>
		<dc:creator><![CDATA[aidevadmin]]></dc:creator>
				<category><![CDATA[その他]]></category>
		<category><![CDATA[ControlNet]]></category>
		<category><![CDATA[LoRA]]></category>
		<category><![CDATA[Netron]]></category>
		<category><![CDATA[onnx]]></category>
		<category><![CDATA[Python]]></category>
		<category><![CDATA[Stable Diffusion]]></category>
		<category><![CDATA[tensor]]></category>
		<category><![CDATA[transformer]]></category>
		<category><![CDATA[U-Net]]></category>
		<category><![CDATA[エラー]]></category>

		<guid isPermaLink="false">https://aidev.bluegarage.site/blog/?p=9549</guid>
				<description><![CDATA[Stable Diffusion ONNX U-Net に別モデルを統合する方法 Stable Diffusion の ONNX 版 U-Net を改造して、別の ONNX モデルを内部に結合することで、 IP-Adapter カスタム Attention Control 信号 などを直接モデル内部に組み込むことができます。 この記事では 既存の model.onnx に別の model.onnx を統合する方法を紹介します。 例として、以下の位置に外部モデルを接続します。 /up_blocks.1/attentions.0/transformer_blocks.0/attn2/to_q/MatMul そして生成された特徴量を /up_blocks.1/attentions.0/transformer_blocks.0/attn2/to_out.0/MatMul へ入力します。 全体構造 結合後の概念図 to_q/MatMul │ MultiHeadAttention │ 外部モデル │ ▼ to_out.0/MatMul また既存の Reshape_3_output_0 は使用しないため切断します。 必要な [&#8230;]]]></description>
									</item>
	</channel>
</rss>
