怖いものなんてない！！

2018/08/17

ページビューが700,000を超えたので人気の記事を調べて見ました

ページビューが700,000を超えたので、また閲覧数の多い記事を紹介していきます。
#前回は300,000の時にやってましたね

第1位
mp4とm4vの違い
http://kowaimononantenai.blogspot.com/2012/09/mp4m4v.html

100,000、300,000の時も1位だったので、3連覇ですね。
前回も話ししましたが、自分のちょっとした疑問を書いただけでそんなに努力して書いた記事ではないです（笑）
個人的には頑張った記事が上になると嬉しいですが、これのようにより一般的な記事の方がやっぱりページビューが伸びますよね。

第2位
MPC-HCでBlu-rayを再生する方法
http://kowaimononantenai.blogspot.com/2013/08/mpc-hcblu-ray.html

前回3位でしたが、MPC-HCがもう開発終了になってしまったので、これからはページビューも減少傾向になっていくと思います。

第3位
OpenCVでfillConvexPolyを使って四角形や多角形を描画する
http://kowaimononantenai.blogspot.com/2013/10/opencv.html

使う機会が多いOpenCVが入ってきました。fillConvexPolyは調べた当時サンプルプログラム等がなかったので、自分で確認したものです。
コメントに応え、Pythonでのサンプルも書きました。
前回8位。

第4位
C++のコンストラクタにある「:(コロン)」について
http://kowaimononantenai.blogspot.com/2012/10/c.html

当時はC++メインで使っていましたが、今はC# or Pythonメインになっています。
前回4位。

第5位
C++の「auto型」について
http://kowaimononantenai.blogspot.com/2012/10/cauto.html

これもC++関連。auto型について書いたものですね。
前回2位。

第6位
std::accumulateでvectorの合計や平均値を出す(std::accumulateの第3引数について考察もあり)
http://kowaimononantenai.blogspot.com/2013/11/stdaccumulatevectorstdaccumulate3.html

これについては、疑問に思ったことを実際にやってみて確認した記事なので上位にきてうれしいです。
前回圏外。

第7位
Windows8.1とUbuntuのUEFI環境でのデュアルブート構築方法
http://kowaimononantenai.blogspot.com/2014/02/windows81ubuntuuefi.html

UEFI環境下でのデュアルブートについて書いた記事です。
Windows8.1での記事ですが、Windows10でも同様に使えると思います。
前回9位。

第8位
Cygwinにapt-cygを導入する
http://kowaimononantenai.blogspot.com/2013/12/cygwinapt-cyg.html

Cygwinについての記事です。今ではWSL(Windows Subsystem for Linux)があるので、諸事情でCygwinを使う必要がある場合に参考になるかもしれません。
前回圏外。

第9位
Ubuntuでhandbrakeを使う
http://kowaimononantenai.blogspot.com/2012/09/ubuntuhandbrake.html

またUbuntuでのAV関係の記事ですね。
現在(Ubuntu18.04など)ではsnapshotsのPPAではなくて、releaseの方を使った方がいいかもしれませんね。
前回圏外。

第10位
Windows7でWindows SDKのインストールする際に出るエラーの解決方法
http://kowaimononantenai.blogspot.com/2013/11/windows7windows-sdk.html

Windows7での記事ですね。サポートももう少しで終わってしまうので、この記事も減少傾向になりそうですね。
前回7位。

全体的に記事が古い（笑）
最近あまり更新していないということが大きいと思います。

XamarinとかDeep Learningなどを最近やっていて、使い方を知るためにサンプルプログラムなどを書いたりはしています。
ですが、それをブログにUPするよりは、「Githubにサンプルプログラム集のリポジトリを作ってREADMEで説明を書いておく」という方法を使うことの方が多くなっています。

このブログには、何かソフトだったりアプリだったりを作ってその説明を書いておいたり、Githubにリポジトリを作るほど書く量が多くないと思うものだったりします。

UPする媒体は置いておいて、自分が他人が役に立つ記事を多く書いていきたいと思います。

2018/08/16

Ryzen PCを自作しました

かなり今更ですが、1ヶ月前にRyzen CPUでPC自作しました。
ここでは購入したものの型番と感想を書いておきます。

今回の自作PCのコンセプトはこんな感じです。

Ryzen !!
Deep LearningしたいのでそれなりのGPU(だけど、先々はサーバーに転用するつもりなので、GPUを取り外しても運用できるように)
Mini ITXでできるだけ小さく
Bluetoothが使えるように(できればintelのWIFI/BTモジュールが使いたい)
Windowsだけじゃなく、Ubuntuも使うよ

色々考えた結果、次のような構成になりました。Ryzen APUにグラボを足すヘンテコな構成は特に見たことがないですね。。。(Ryzen APUはGPUに PCI Express x8しか割り当てられないので、マザボのx16のところにさしても、x8の性能しか得られません。。。)

https://www.amd.com/ja/products/apu/amd-ryzen-5-2400g

https://www.gigabyte.com/jp/Motherboard/GA-AB350N-Gaming-WIFI-rev-10#kf

http://www.links.co.jp/item/cmk16gx4m2a2666c16/

https://jp.msi.com/Graphics-card/GeForce-GTX-1060-AERO-ITX-6G-OC.html

電源

http://www.links.co.jp/item/sf600/

ケース

https://www.silverstonetek.com/product.php?pid=536&area=jp

次に1ヶ月使用しての感想です。

UbuntuでUSBが認識されない

これはマザボに問題があると思うのですが、USBメモリにUbuntuのインストーラーを作成し、マザボにさして電源を入れてもUSBメモリからブートできません。(UEFIの設定やブート順番などの設定をしてもダメでした。。。)

また、別PCでSSDにUbuntuをインストールして起動すると、起動はできるのですが、USB機器(キーボードやマウス)などが認識されません。。。

これは自分にとっては致命的ですね。色々やってみたりしているので解決したらここに書く予定です。

電源のノイズ音が気になる

2018/07/29

Thinkpad USB トラックポイントキーボード(55Y9024)をWindows10で使う

キーボードにThinkpad USB トラックポイントキーボード(55Y9024)を使用しています。
今ではこれより新しいものが発売されており、Lenovoの製品ページでは55Y9024をみつけることはできません。。。

USBをつなげて使用してみると、中ボタンを押しながらトラックポイントを動かしてスクロールするときの挙動がおかしいです。

今まではWhell Ballを使用して解決していたのですが、
Thinkpad USB トラックポイントキーボード(55Y9024)の初期設定

https://kowaimononantenai.blogspot.com/2013/07/thinkpad-usb-55y9024no.html

Windows10で使用してみると、設定画面の起動すらできません。

ですので、代替ソフトが必要です。

そこで、W10Wheel.NETというソフトを使用します。

W10Wheel.NET

https://github.com/ykon/w10wheel.net/releases

そして、駐在ソフトを右クリックして、

トリガー -> 中央ドラッグ

をクリックします。

これで、おｋです。

参考にしたサイト

https://qiita.com/mono1729/items/053514fad59f231706bf

2018/06/09

インダクティブセンサ LDC1612EVMを使ってみた

インダクティブセンサモジュールのLDC1612EVMを買ってみました。

インダクティブセンサとは、相互誘導を用いた近接センサです。
コイルに指や金属などが近づくことによって磁界が変化するので、相互誘導でインダクタンスが変化します。それを検出することで物が近づいているかどうかを検出できます。

原理自体はわかるのですが、そのようなセンサを"インダクティブセンサ"っていうんですね。
上記の説明だけだとわかりにくいと思うので、より詳細に説明しているサイトを載せます。
https://service.macnica.co.jp/library/124761

Digikeyで3,500円程度で購入しました。
https://www.digikey.jp/product-detail/ja/texas-instruments/LDC1612EVM/296-39660-ND/5172354

評価モジュールなので、USBでつないで専用のソフトをインストールするだけで動かすことができます！
ソフトのインストール等は下記のサイトに載っているので、同じようにやりました。
https://www.fujiele.co.jp/semiconductor/ti/tecinfo/news201608090000/

まずは、CH0を周期的にタッチすると下記のような波形になります。

次はCH1をタッチ。タッチしたときにその部分だけインダクタンスが変化しているので、
しっかり検出できそうですね。

次は、せっかくCHが2つあるので、お互いのコイル間を横に移動します。
スワイプみたいな感じです。

まずは青矢印のようにCH0からCH1方向にスワイプすると、CH0の変化の直後にCH1が変化しています。

逆にオレンジ矢印のようにCH1からCH0方向にスワイプすると、CH1が変化してからCH0が変化します。
これを使えば、スワイプも検出できそうですね。

とりあえず、動作確認程度はできました。
マイコンやRaspberryPiとかで制御しようとしているので、できたらまた載せます。

2018/06/02

BLEデバッグツール"Blue Tropical Fish"をリリースしました

2018年6月5日　更新

BLEのデバイス/ソフト開発用のアプリ"Blue Tropical Fish"をリリースしました。

BLEのデバッグアプリとしては「nrf connect」や「Light Blue」が有名ですが、
それらと同じような(というか機能縮小版。。。)アプリになります。

Google playからインストール可能です。
https://play.google.com/store/apps/details?id=com.naonaorange.bluetropicalfish

Windows storeでもインストール可能です。
https://www.microsoft.com/en-us/p/blue-tropical-fish/9p14nwqz276h?activetab=pivot%3aoverviewtab

ソースはGithubにアップしています。
https://github.com/naonaorange/BlueTropicalFish

現時点では、周囲のBluetoothアドバタイズパケットを受信して表示します。
将来的には接続・ペアリングもサポート予定ですが、現時点では未サポートです。
リストを選択することでデバイスの詳細情報を見ることができます。

表示するデバイスをフィルターすることもできます。

Nameの項目に入力にした後、"Show Only Filtered Devices"をONにすることでフィルター条件にマッチしたものだけ表示します。

また、リストの右側のスイッチをONにしてお気に入りに登録することで、
"Show Only Favorite Devices"をONにすることでお気に入りのデバイスのみを表示することができます。

2018/05/03

Xamarin.Formsで画像を表示する

Xamarin.Formsで画像を表示する方法はググるとたくさん出てきますが、
なぜか自分の環境だと上手く表示されません。
https://qiita.com/suzu-king/items/a0fe98e7b371e13e49b5
http://oxamarin.com/control-image/
ちなみに自分の環境は下記です。

Windows10 64bit
Visual Studio Community 2017
Xamarin.Forms(UWP + Android + iOS)
Prism Template Packでひな形を作成

画像が表示されなかったり、"System.ArgumentNullException: 'Value cannot be null.'とエラーが出てしまいます。(おそらく画像へのPATHが当たっていないと思うのですが、なかなか解決できません。)

よって、ちょっと違う方法で画像を表示させることができたのでその方法を書きます。
まずはXamlのコードを張ります。

Prism Templateをベースとしているので、余計なコードも入っていますが、重要なのはImageタグでSourceをImgにバインディングしていることだけです。
次はViewModelのコードです。

namespace ShowImage.ViewModels
{
    public class MainPageViewModel : ViewModelBase
    {
        private ImageSource img;
        public ImageSource Img
        {
            get { return img; }
            set { SetProperty(ref img, value); }
        }

        public MainPageViewModel(INavigationService navigationService) 
            : base (navigationService)
        {
            Title = "Main Page";
            Img = ImageSource.FromFile("lena.png");
            
        }
    }
}

重要な点は、ImageSource.FromFileを使用している点です。他の記事ではFromResourceを使用しているものが多いですが、Resourceとしてではなく、ただのファイルとして指定します。
Prismを用いているので、ImgはSetProertyで変更通知を行っています。

次に画像ファイルをプロジェクトに登録します。

ここで1つ目のポイントはForms用の画像ファイルについて

ビルドアクションは"コンテンツ"(なしでもいいと思います)
出力ディレクトリにコピーは"新しい場合はコピーする”

2つ目のポイントはAndroid, iOS, UWPのプロジェクトに画像ファイルを追加するときには、Formsに追加した画像ファイルを"リンクとして追加"することです。

これで各プロジェクトに画像ファイルが登録されますが、実体はFormsに登録してある1つのみにすることができます。
このようにすることでFormsに登録してある画像1つを変更すればすべてのPlatformにおいて変更されます。

初めの方で紹介したURLのやり方がもしできるのであればそれの方がシンプルでよいと思いますが、もしできない場合はこちらの方法も試してもらえればと思います。

参考にしたサイト

http://matatabi-ux.hateblo.jp/entry/2015/05/18/120000

2018/04/11

Deep Learningのハリーポッター組分け帽子をLINE Botにしてみた

先日、Deep Learningを使ってハリーポッターの組分け帽子を作りました。

http://kowaimononantenai.blogspot.jp/2018/03/deep-learning.html

作ったはいいものの、利用するには環境を構築して、試さなければいけません。。。

ですので、作ったソフト"Sorting Deep Hat"をLINE Botにしてみました！

QRコードは下記です。

LINE Botで公開しているので、誰でも利用することができるのですが、

LINE Botのプランはフリーのものを使用しているため、送信数に限度があります。

よって、そのうち利用できなくなる可能性があります。

(MAXになってLINE Botが使えなくなったら、Twitter Botにでもしようかな。)

送信された画像は送り返すために一時ファイルとして保存していますが、

プログラム終了時に消えるようになっています。

また、デバッグ等を行っている時には正常に動作しない場合もありますので、その場合はご了承ください。

LINE Botの使い方

Botに画像を送信すると、すぐに結果を文字と画像で送信してくれるというものです。

文字を送信した場合には同じ文字をオウム返しで送り直してきます。

もしも、画像内に顔が見つからない場合には、「もっと大きく写る写真を使う」よう言われます。

顔認識にはOpenCVを用いていて、模様等をご認識することがよくあるので、顔が大きく写っている画像でないと認識しないよう厳し目にパラメータを設定しています。

大まかに画像の縦1/3程度は顔になるくらい顔が大きく写っているものを送信してください。

HerokuでWebサーバーを立てて、運用していますが、その中のプログラムはGithubで公開しています。

https://github.com/naonaorange/sorting-deep-hat-bot

2018/04/03

Heroku, PythonでLine Botを作る

ここでは送信したメッセージをオウム返しするLine Botを作ります。
基本的に他のブログの引用ですが、体系的にまとめました。

Lineアカウント作成

Botを作るためには、下記の2アカウントを作る必要があります。

Line Business
Messasing API

ここは下記URLを参考に
https://qiita.com/yoshizaki_kkgk/items/bd4277d3943200beab26

Herokuアカウント作成

下記URLを参考に
https://j-hack.gitbooks.io/deploy-meteor-app-to-heroku/content/step1.html

Line Bot作成

基本的には下記URLと同じです。

https://qiita.com/akabei/items/38f974716f194afea4a5

しかし、この説明ではHeroku Gitのみを使用していますが、
ここではGithubとHerokuを連携させて使用します。

Githubレポジトリ作成・実装

まずは、Githubで連携したいレポジトリを新規作成します。
そのレポジトリ内に上記URLの「実装」章を参考にして、ファイルの追加・編集を行い、レポジトリにpushしてください。

tree
.
├── LICENSE
├── Procfile
├── README.md
├── main.py
└── requirements.txt

次にブラウザでHerokuのアカウントにログインをして、"Create new app"等を押して、アプリケーションを作成します。
設定画面の"Deploy"タブ内のDevelopment methodでGithubを選び、先ほど作成したレポジトリを設定します。

初期設定・デプロイ

まずは初期設定を行います。下記コマンドでHerokuにログインします。
参考にしているサイトではheroku createでアプリケーションを作成していますが、先ほどブラウザ上で作成しましたので不要です。

heroku login

次に同じようにLINEのアカウント設定を環境変数に追加する必要があるのですが、、、

LINE_CHANNEL_SECRET
LINE_CHANNEL_ACCESS_TOKEN

参考にしたサイトと同じようにconfig:setのコマンドを打ってもエラーになってしまいます。。。
これは、heroku createをCLIで行っていないため、config:setコマンドがどのHerokuアプリケーションを対象にしているのかわからないためだと思います。
よって、下記のように変更して実行します。

heroku config:set LINE_CHANNEL_SECRET="チャンネルシークレット" -app アプリケーション名
heroku config:set LINE_CHANNEL_ACCESS_TOKEN="アクセストークン" -app アプリケーション名

その後、ブラウザ上で手動でデプロイします。

最後に、同じようにLine DevelopperサイトのChannel基本設定画面で、Webhook URLを登録します。
ここで注意するのは、URLは下記のように最後に"callback"がつきます。
(自分はこれを追加しないで長い間悩んでしまいました。。。)
https://アプリケーション名.herokuapp.com/callback
これで自分のスマホでBotを友達にして、メッセージを投げるとオウム返しします。

2018/03/31

Bing Image Search APIでネット上の画像を集める

Deep Learningで画像を学習させるために、大量の画像が必要ですが、
それを1つ1つ手で保存していくととても時間がかかります。

ですので、ある言葉に関連のある(ググったら出てくる)画像を自動的に保存するプログラムを使います。

Bringだったり、GoogleだったりでAPIが提供されているのですが、
下記のURLを参考にして、"Bing Image Search API"を使うことにしました。
https://qiita.com/ysdyt/items/565a0bf3228e12a2c503

ちなみに、ユーザー登録してから1ヶ月程度はある上限まで無料で使えますが、
それ以降は有料です。
ですが、それほど高価な金額になるわけでもないですので、これを使っていきます。

Microsoft Azureのユーザー登録

Bring Image Search APIはMicrosoft Azureの一部の機能になっていますので、ユーザー登録が必要です。

登録は下記URLを参考に。ちなみにコードについてはAPIのVerが古いので、別のサイトを参考にしました。
https://qiita.com/ysdyt/items/49e99416079546b65dfc

使ってみる

下記URLを見て、コードをすべてコピペしたら動きました。
まずはやりたいことはこれでできます。
https://qiita.com/hirosemi/items/086f8375fd0f3fa5237b

Deep Learningでハリーポッターの組分け帽子を作りました

ホグワーツには"グリフィンドール"、"レイブンクロー"、"ハッフルパフ"、"スリザリン"という4つの寮があり、映画の作品を見てみると、顔だったり雰囲気だったりになんとなく違いがあると思います。
誰しも「自分はどの寮に入るのかな？？」と思ったことがありますよね！

よって、任意の画像から顔を判別し、その人が4つの寮のどれに入るのかをDeep Learningで判断するソフト"Sorting Deep Hat"を作りました！

(調べたところ、全く同じ動機から、全く同じようなソフトを作った人がいらっしゃいますし、そちらのほうがわかりやすいかもしれません。このSorting Deep Hatもこの記事の影響を大きく受けています。)
https://qiita.com/tokkuman/items/aec887ff918fc164567e

ソースはGithubに公開しています。
https://github.com/naonaorange/sorting_deep_hat

動作環境

Deep Learingライブラリとしては、"Keras"を使っています。

Ubuntu 16.04 64bit
Python 3.6 64bit
Jupyter 4.4
Tensorflow 1.5
Keras 2.1.5
OpenCV 3.4

画像集め

映画内で各寮に入っているキャラクターの顔画像を集めます。
学習画像としては各寮100枚ずつの計400枚。
評価画像としては各寮20枚ずつの計80枚を準備しました。

データ集めはDeep Learingにおいて、一番重要で一番大変な作業なので、
他でも参考できるように別記事にします。

下の記事で簡単に説明しました。
「Bing Image Search APIでネット上の画像を集める」

http://kowaimononantenai.blogspot.jp/2018/03/bing-image-search-api.html

モデル作成

CNNで実装していきます。
最終的に全結合層で出力数を4にしています。
Deep Learingについて、始めたばかりなので、パラメータ等もっとよいものがあるのかもしれません。

from keras.models import Sequential
from keras.layers import Dense, Dropout, Flatten, Activation
from keras.layers import Conv2D, MaxPooling2D, ZeroPadding2D
from keras import optimizers
from keras.preprocessing.image import ImageDataGenerator
from keras.callbacks import EarlyStopping, CSVLogger
from keras import backend as K
import matplotlib.pyplot as plt
import numpy as np 


img_width = 100
img_height = 100
train_data_dir = 'data/train'
valid_data_dir = 'data/validation'

datagen = ImageDataGenerator(rescale = 1./255)

train_generator = datagen.flow_from_directory(directory=train_data_dir,
                                              target_size=(img_width,img_height),
                                              classes=['Glyffindor','Hufflpuff','Ravenclaw','Slytherin'],
                                              batch_size=16)

validation_generator = datagen.flow_from_directory(directory=valid_data_dir,
                                                   target_size=(img_width,img_height),
                                                   classes=['Glyffindor','Hufflpuff','Ravenclaw','Slytherin'],
                                                   batch_size=16)

model =Sequential()

model.add(Conv2D(32,(3,3), input_shape=(img_width, img_height, 3)))
model.add(Activation('relu'))
model.add(MaxPooling2D(pool_size=(2,2)))

model.add(Conv2D(32,(3,3), input_shape=(img_width, img_height, 3)))
model.add(Activation('relu'))
model.add(MaxPooling2D(pool_size=(2,2)))

model.add(Conv2D(64,(3,3), input_shape=(img_width, img_height, 3)))
model.add(Activation('relu'))
model.add(MaxPooling2D(pool_size=(2,2)))

model.add(Flatten())
model.add(Dense(64))
model.add(Activation('relu'))
model.add(Dropout(0.5))
model.add(Dense(4))
model.add(Activation('softmax'))

model.summary()

model.compile(loss='categorical_crossentropy',optimizer='rmsprop',metrics=['accuracy'])

es = EarlyStopping(monitor='val_loss', patience=2)
training = model.fit_generator(generator=train_generator,
                               steps_per_epoch=400 // 16,
                               epochs=20,
                               validation_data=validation_generator,
                               validation_steps=80//16,
                               callbacks=[es])

model.save('models/sorting_deep_hat.h5')

精度確認

作ったモデルの精度を確認していきます。

最終的には、学習画像については約85%。評価画像については約73%の精度となっています。

まずはこの程度でしょうか。

引き続き精度向上のため変更していきます。

動作確認

任意の画像からOpenCVで顔画像を切り取り、作成したモデルで寮を判別します。
その結果に応じて、顔に矩形と寮名を描画します。

from keras.models import load_model
import cv2
import matplotlib.pyplot as plt
import numpy as np

model = load_model('models/sorting_deep_hat.h5')

image = cv2.imread('data/sample/harrypotter.jpg')

gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
face_cascade = cv2.CascadeClassifier('haarcascade_frontalface_default.xml')
faces = face_cascade.detectMultiScale(gray, 1.1, 3)

for (x, y, w, h) in faces:
    face_image = image[y:y+h, x:x+w]
    face_image = cv2.resize(face_image, (100, 100))
    
    b,g,r = cv2.split(image)
    i = cv2.merge([r,g,b])
    i = cv2.resize(i,(100, 100))
    i = np.array([i / 255.])
    
    house = np.argmax(model.predict(i))
    if house == 0:
        house_name = 'Glyffindor'
        color = (0, 0, 255)
    elif house == 1:
        house_name = 'Hufflpuff'
        color = (0, 255, 255)
    elif house == 2:
        house_name = 'Ravenclaw'
        color = (255, 0, 0)
    elif house == 3:
        house_name = 'Slytherin'
        color = (0, 255, 0) 
    
    cv2.rectangle(image, (x, y), (x + w, y + h), color, 2)
    cv2.putText(image, house_name, (x, y), cv2.FONT_HERSHEY_PLAIN, 2, color, 4)
    
plt.imshow(cv2.cvtColor(image, cv2.COLOR_BGR2RGB))
plt.show()

実際にハリーポッターの画像を入力してみると、こんな感じになりました。
きちんとハリーはグリフィンドールに判断されています。

マルフォイはスリザリン。

いろんな人を何枚か試しましたが、確かに間違えるときはありますが、それなりに判断しています。

いろんな人で試してみる

イチローはグリフィンドール。

確かに、勇気とか騎士道精神とかありそうですね。

トランプ大統領はレイブンクロー。
確かに、頭はいいからね！(スリザリンだと思ったのに。。。)

ジョブズはスリザリン。
ちょっと意外ですが、確かに「巧妙さ」とかはあるかなと、自伝を読んで感じました。

ガッキーはグリフィンドール。まあ、どの寮でもかわいいからOK！

参考サイト

登録: 投稿 (Atom)

2018/08/17

2018/08/16

2018/07/29

参考にしたサイト

2018/06/09

2018/06/02

2018年6月5日 更新

2018/05/03

参考にしたサイト

2018/04/11

LINE Botの使い方

2018/04/03

Lineアカウント作成

Herokuアカウント作成

Line Bot作成

Githubレポジトリ作成・実装

初期設定・デプロイ

2018/03/31

Microsoft Azureのユーザー登録

使ってみる

動作環境

画像集め

モデル作成

精度確認

動作確認

いろんな人で試してみる

参考サイト

2018年6月5日　更新