ネットモール土佐ブログ

初めてのフィジカルAi。Huggingface の LeRobot の ACT model で学ぶ。#3

LeRobot ACT model で、モーション分割 Datasets で、学習を行う!! 第2段!!
初めてのフィジカルAi。Huggingface の LeRobot の ACT model で学ぶ。#2 の続きです。

今回は、本当に、オリジナルの データ・セット lerobot/svla_so101_pickplace を、各エピソードを、複数モーションに分割して学習させてみました。

初めに、Demo にて確認します。
$ export PYTHONPATH=$PYTHONPATH:/home/your-id/local/git-download/lerobot/src <-- git clone した場所の src
$ lerobot-dataset-viz --repo-id lerobot/svla_so101_pickplace --episode-index 0

外置きのカメラが、2台あるみたい。observation.images.up と observation.images.side
なので、 class ACT は、2 images inputs にしないといけない。
この、Detasets は、FPS:30[hz] なので、これも、train.ipynb に反映させないといかん!!

1. Datsets: lerobot/svla_so101_pickplace を、3 モーションに区分けして、 3 Datasets ファイルにする。
$ make_3motions_data.py

本来のこの3分割の目的は、motion1、motion2、motion3 に分割したあと、学習が弱い部分の motion? を、新たなデータから加えて、
motion1、motion2、motion3、montion1b の様に、組み合わせて学習させるのが、本来の目的じゃ。!!

2. train
train.ipynb を、lerobot/svla_so101_pickplace に合うように、
input、output を修正して、
jupyter notebook で、train させます。
1 epoch のデータ数が、ちょっと少ないので、10 epochs 程、学習が必要です。
8 batch で、
Steps 13400 | Loss: 0.167124 | LR: 0.000003
Model saved! (Step Best Loss: 0.1671)

Loss: 0.11 辺りになれば、良いとおもいますだ!

初めてのフィジカルAi。Huggingface の LeRobot の ACT model で学ぶ。#2

LeRobot ACT model で、モーション分割 Datasets で、学習とシミュレーションの inference を学ぶ!!
初めてのフィジカルAi。Huggingface の LeRobot の ACT model で学ぶ。 の続きです。

今回は、オリジナルの データ・セット lerobot/aloha_sim_transfer_cube_human を、各エピソードを、複数モーションに分割して学習させてみました。
オリジナルのデータは、必ず、start - end の決まった流れで、複数エピソードを学習させています。
前回の学習済 ACT model で、シミュレーションでのテストをずっと見ていましたが、
なんとなく、キューブを見つける性能が弱い気がするし、最後の手渡しする部分も弱い気がしました。
できれば、その部分だけ、もっと学習させれば、良い気がしました。
そのためには、いつも1 エピソードを学習させるのでは無くて、部分的に強化した学習が出来ないかと考えた結果、
モーションを区切って学習させたらどうじゃろか? と思って、作ってみました。

1. まずは、2 分割のモーションで試してみます。
オリジナルの lerobot/aloha_sim_transfer_cube_human を分割する python コードを作る必要があります。
例によって、Google Ai の助け(ほとんどだが) で、なんとかできました。
make_3motions_data.py

今回は、これで、 2分割させたモーションデータを使ってみます。
分割した Datasets を、確認するのは、
$ export PYTHONPATH=$PYTHONPATH:/home/your-id/local/git-download/lerobot/src
$ lerobot-dataset-viz --repo-id local/split_dataset_0 --root outputs/split_dataset_0 --episode-index 0

train コードは、前回作成した notebook の train.ipynb を、少し修正すれば、
学習済 ACT model が出来ます。

とりあえず、5 - 6 epochs 学習させてみます。
train.ipynb
use_ex=True
で学習させます。こちらが、train 時間が少ないので...

一応、非分割のデータ・セットと同じ様に、今回の 2モーション分割の場合も、Loss が減っていって、学習できている様です。

Steps 12400 | Loss: 0.175373 | LR: 0.000003
Model saved! (Step Best Loss: 0.1754)
本当は、Loss: 0.11 辺りが良いと思う!!

初めてのフィジカルAi。Huggingface の LeRobot の ACT model で学ぶ。
ACT モデルを、使っての Train と Predict の一連の流れを試してみる。

サイトは、下記
lerobot
githubは、
@huggingface/lerobot
インストールを、下記ページに従って行います。
lerobot/installation

virtual_env を使うと良いと思う。
$ cd
$ python3 -m virtualenv lerobot_env
$ source lerobot_env/bin/activate
おんちゃんの開発環境は、
ubuntu mate 24.04
GPU: gtx 1070

先に、pytorch 2.10.0 etc をインストールしておく。
$ python -m pip install torch==2.10.0 torchvision==2.25.0 torchaudio==2.10.0 --index-url https://download.pytorch.org/whl/cu126

lerobot のライブラリーは、最新を使うので、github 版を clone します。
あとは、git clone をして、clone したデイレクトリーへ移って、
$ cd relobot
$ python -m pip install -e .
その後、Simulations を使うので、続けて、
aloha をインストールします。
$ python -m pip install -e ".[aloha]" # or "[pusht]" for example

ROS2 自作 Turtlebot3 による 草刈りロボット開発。#17 Transformer で経路計画をする。No.2

ROS2 自作 Turtlebot3 による 草刈りロボット開発。#8 Transformer で経路計画をする。 の続きです。

同じ Transfomer model を、Pytorch で、作ってみました。
Pytorch のほうが、コードがシンプルで分かりやすいぞね!!

今回の Pytorch Transformer のモデルについて、ちょっと説明します。
ベースは、Transformer の Speech to Text の処理をベースに作っています。
詳細は、オリジナルのページを参照してください。

今回、特筆したいのは、model の outputs の取り出し方法です。
どうやら、大きく言って、２種類あるみたい。
1 は、Keras 版でも使っていた、predict 結果を、一度( 150 の位置 class) に取り出す方法と 。
2 は、最近 google ai の話だと、1個ずつ、ループして、必要分だけ取り出すほうほうです。 ここで、結構はまりました。
最終的には、onnx 変換で、1 の方しかできないので、1 の方式をメインにします。

機械の音で、故障の診断 Sound Sensor Transformer.

CNN-Transformer ハイブリッドモデル で、動画のクラス分類をする。
かって、CNNとLSTMを組み合わせたモデルの「LRCN (Long-term Recurrent Convolutional Networks)」の、 LSTM 部分を、
Transformer に置き換えたモデル。第2段。
今回は、上記をベースに、
教師なし Transformer (Temporal AutoEncoder) を使います。
よく、わからん。Google AI の口車に乗せられて、とりあえず、作ってみました。

要は、正常の音(今回は、動画の Sound 部分) のデータばかり、学習させて、
取り込んだ音から model に再現させて、同じになるように、weight を学習させる。
その、オリジナルの音と、model が再現させた 音の違いを、
比較して、どれくらい、違いがあるかによって、正常、異常を判定する。とのことじゃ。
最終的に、オリジナルと再現の違いの算出方法と、どの程度の threshold をするかに、良し悪しが、出るみたいじゃ。

故障の音が入った場合は、再現された音と大きく異なる事で、異常を判定する。との事。

動画 で簡単分類、おそるべし Video Transformer.

画像と音（スペクトログラム）で分類、マルチモーダルTransformer.
の続きです。

CNN-Transformer ハイブリッドモデル で、動画のクラス分類をする。
かって、CNNとLSTMを組み合わせたモデルの「LRCN (Long-term Recurrent Convolutional Networks)」の、 LSTM 部分を、
Transformer に置き換えたモデル。

犬の動画(今回は、映像部分のみ) を使って、わんこの気持ちを予測します。

今回は、わんこの動画(mp4) の Video 部分だけを、使って、転移学習から、Full Scratch 学習まで行います。

クラス数=5 なので、とにかく簡単に、学習が完了します。

github に上げました。
dog_feel_classify_light

犬の気持を、ビデオ映像から、Deep Learning で予測。

画像と音（スペクトログラム）で分類、マルチモーダルTransformer.

Transformer に、画像と音（スペクトログラム）を同時入力して、クラス分類ができるみたい。
たとえば、犬の画像(動画) と、鳴き声を同時に入力して、犬の状態が分類できる、モデルができるみたいじゃ。

しかし、部屋の犬だったら、動き回るから、カメラで捉えづらい。
ゲージの中にいる犬だった、映像と音声が撮れそうかも。
マルチモーダルで、場合によっては、鳴き声だけの処理にすれば、可能か!!

転移学習するには、まず学習用の動画を集めないといかん。

ネットから、犬の動画をかき集めて、転移学習 or ファインチューニング しました。
class 数=5 で、train loss = 0.3 位になりました。

4[秒] の動画から、 8 フレームの静止画をサンプル抽出して、音声は、スペクトログラム化して、model に class 分類させました。
torch model を作成して、 onnx に変換して、Orange pi 5 で、実行すると、
1 predict に 3.5[秒] でした。
本当は、 Orange pi 5 rknn に変換したかったのですが、変換時にエラーが出て、これは、失敗しました。
いまは、学習に使った動画の本数が少ないですが、一応、分類できる状態です。

少しずつ、学習データを増やして、Full Scratch で学習させて、試していますが、
学習データさえ、メリハリのあるものを用意すれば、結構具合がいいみたい。

ぜひ、一度、自分で動画ファイルを用意して、ためしてみとうせ!!
orange pi 5 で、USB Camera を使って、
$ python dog_feel_watch.py
で、OKぞね!!

Orange pi 5 に Joshua Riek Ubuntu 24.04 を使ってみた。

いままで、Orange pi 5 Armbian をずっと使っていたが、今回、上記を使ってみた。
と言うのも、Orange pi 5 Armbian 24.04 だと、 NPU のデバイスドライバーが、標準で入っていないのが、問題でした。

Joshua Riek Ubuntu 24.04 だと、そこらへんが、標準で入っているので、使ってみました。
大元は、
Joshua-Riek/ubuntu-rockchip
ダウンロードは、
Joshua Riek Ubuntu download
-> Orange Pi 5
-> Ubuntu 24.04 LTS Desktop with Linux 6.1

ダウンロードして、dd で書き込み。
$ xz -dc ubuntu-24.04-preinstalled-desktop-arm64-orangepi-5.img.xz | sudo dd of=/dev/sdb bs=4M status=progress
$ sync

あとは、 Orange pi 5 で立ち上げて、初期設定で、OK でした。

Baidu RT-DETRv2 の転移学習と Orange pi 5 NPU での実行。

Baidu RT-DETRv2 を、雑草データセットで、転移学習させて、
最終的に、 Orange pi 5 armbian 22.04 rknn-runtime で走らせてみた。

結構、rknn に変換するまでが、大変だったが、なんとか変換して、走らせてみた。

当初、Hugging face の RT-DETRv2 で試したが、Orange pi 5 armbian(22.04) で実行すると、
Unsuport CPU op: Grid Sample in ths librknnrt.so ..
が出て、Segmantation faluts になった。
これの対応策は、どうやら、 torch -> onnx 変換時に、
model.use_discreat_sample=True
model.eval()
をすれば良いことがわかった。しかし、これに対応しているのが、 Baidu のオリジナル版でした。
Baidu のオリジナル版 で、上記修正を加えたが、実際のやり方は、少し違っていた。
google ai に随分助けをかりて、なんとかできた。

実機: 
Orange pi 5 armbian 22.04
USB Camera

USB Camera -> predict -> Open cv 表示で、
実測 fps: 6 -7 [Hz] でした。

Hugging face DETR だと、同じ構成で、
実測 fps: 10[Hz]
だったので、すこし、残念でした。

実機2: Joshua Piek ubuntu 24.04
USB Camera
では、
fps: 11 - 13[Hz] でした。

将来、C++ で作れば、少しは速くなるかも知れないので、
これくらいで、OK か。

Transformers Object detection - detr の転移学習とONNX変換と実行。#2

Transformers Object detection - detr の転移学習とONNX変換と実行。 の続きです。

ONNX -> rknn に変換して、 Orange pi 5 armbian(22.04) で、NPU で動かしてみました。
USB Camera -> predict -> Open cv 表示
rate: 10[fps] 前後 みたいです。
model 単体ベンチマーク: 0.1[sec] 前後
cpu 負荷は、all core 23[%] 前後みたい。 c++ で行えばもっと、良いかも。
体感は、なんとかつかそう。ただ、実際のアプリでは、Open CV で表示などせずに、
プログラムの中で使うのであれば、もっと早いかも?
orange pi 5 x 1 で、同時に、ROS2 で、ロボットを動かせるかも?
でも、2 台構成が無難かもしれない。

開発環境:
Ubuntu 24.04 PC and GTX 1070
torch 2.6.0+cu126
torchaudio 2.6.0+cu126
torchvision 0.21.0+cu126

実機環境:
Orange pi 5 armbian(22.04)
注) armbian(22.04) でないと、NPU ドライバーが入っていないので、注意!!
最新の armbian(24.04 以降) だと、自分でドライバーをソースbuild して追加しないと、できましぇん!!
python 3.10
RKNNLite
USB カメラ

実機環境2:
Joshua Piek ubuntu 24.04
こちらが、今は良いみたい。
USB Camera -> predict -> open cv 表示
fps: 12 - 13 [Hz] みたいです。
検出精度、良好!! by nishi 2026.3.29

1. 転移学習
雑草 3class(実際は、4 class になった) の転移学習を行う。
今までは、学習データを、アスペクト比を無視して、480x480 にリサイズしていましたが、
今回は、画像のアスペクト比を維持して、480x480 にリサイズして、余白は、黒埋めします。
実際の学習用 コードは、github に公開しました。
github@tosa-no-onchan/transform_object_detection
zasou_train_3class.ipynb

学習は、2回にわけて行いました。
1 回め
165 エポック
7800 0.304700
2 回め。続きから。
46 エポック
で、 train loss 0.19 になりました。
多分、huging face にアップロードされているでは? tosa-no-onchan/detr-resnet-50_finetuned_zasou

おんちゃんの Tips.
image_processor に、size={"shortest_edge": 480,...
を渡して、入力サイズを、480x480 にすると良いみたい。
from transformers import AutoImageProcessor img_checkpoint = "facebook/detr-resnet-50" # 短い辺を480にする設定（アスペクト比維持） # 読み込み時にサイズを上書き可能 image_processor = AutoImageProcessor.from_pretrained( img_checkpoint, size={"shortest_edge": 480, "longest_edge": 1333} )
これだけで、 rknn での実行速度が改善されるみたいじゃ。--> 実際は、変わらない!!

node.js+express+typescript で、ブロクチェーン!!

Google Ai で、node.js+express+typescript で、ブロクチェーン アプリも問い合わせてみた。
一応、つくれるみたい。しかし、これは、かなりややこしいみたいじゃ。
それでも、ブロクチェーン アプリ にも、node.js+express+typescript は、有効な選択肢みたいじゃ。

先に、ブロックチェーン自体の勉強をしておいたほうが、良さそうじゃ。
ブロックチェーン は、企業のお金の集金なんかに、ニーズがあるそうじゃ?
IOT のデータは、ブロックチェーンを使うほどでもない気がするが?

とりあえず、おんちゃんは、 IOT デバイス(Raspi を想定)が送ったセンサーデータを、node.js + express + typescript で、
読み取るサーバーアプリを作って試してみる事にした。
持ちろん、センサーデータを、登録する側も、PC で、typescript で、作ってみる事にしたぞね!!
注) こちらの方は、プログラムが、かなりシンプルなので、基本部分が把握できて、初心者には、最適かもしれん。

node.js+express+typescript で、 Ai Chat を作ってみた。

"node.js + express + typescript で、ai を使ったシステム" を、 google ai で問い合わせると、ai チャットも簡単に作れるみたい。
ChatGTP だと、有料になるにで、先ずは、Ollama で、ローカルPC で試すのが良いと思う!!
これへの質問の過程で、
"一つ質問がありますが、Ollama で、上述のように AI チャットを作ったとして、次のステップとして、質問と回答の内容を、自社の業務に関する事にするには、どうすればよいのでしょうか?"
を問い合わせしたら、やり方を教えてくれたぞね!!
これなら、特定事業者に関する AI チャットもできそうじゃ。

i) RAG(検索機能拡張)
ii) ファインチューニング (Fine-tuning)
ファインチューニング だと、完成への道のりは、たいへんだろうが!!
RAG(検索機能拡張) だと簡単にできそうじゃ。

やはり、流行りの、 AI との連携には、node.js + express + typescript の利用が向いているんだろう。

Ollama に関しては、以前触れた。
LM Studio と言うのが、あるそうな!!

1. 開発環境
Ubuntu 24.04 PC 12G memory
llama3
GTX 1070 8GB

node.js + express + TypeScript Mail Form プログラム。

node.js + express + TypeScript サーバーサイドの app の Tips!! の一環で、
Mail Form プログラムを作成してみた。

このプログラムで、確認できる事。

• typescript での、mail の送信
  今回は、nodemailer を使ってみた。
• カートのような一時ファイルが使えるかの確認
  Redis を使ったセッション管理で、行うことにした。
  ただ、/dev/shm (shared memory) を使えば、perl でよく使った、SDBM、XDBM ファイルみたいなのでも良い気がする。
  とにかく、シンプルで、10年以上は、そのまま使える手法がよいと思う!!
  
• TEXT ファイルのアクセスと、ファイルロックの機能
• メール文面のテンプレートの作成と、それを使った、メール本文の作成。
  mustache を使ってみた。
• /admin(認証) ページ下 へのアクセスの、一括 認証処理。
  オープンページとクローズページの切り分け。
  認証ミドルウエアを、index.ts の中に組み入れた。
• 認証処理で得た、管理者 id の、サブコントローラへの引き継ぎ。
• router + controller 対 による、複数 コントローラプログラム 構成の構築。

おんちゃんの高齢者フリーランスの仕事探し放浪記。

フリーランスの仕事を探すのであれば、
freelance-hub.jp が良いみたい。

なかなか、高齢者になって、自宅でフリーランスで仕事を得るのは大変じゃ!!
目標は、自前で、ROS2 を使った、自立型草刈りロボットの開発じゃが、
まだ、収益につながっていない。

なので、飯を食うには、フリーランスの仕事を見つけねばならん。
フリーランスで、仕事を見つける為に、
いまは、Web プログラムの勉強じゃ。
node.js + express + typescript の学習に励むだけじゃ。

node.js + express + TypeScript サーバーサイドの app の Tips!!

おんちゃんが、node.js + express + TypeScript サーバーサイドの app を書いているときに、知った事を、書いてみました。

1. サーバーサイドプログラムでおんちゃんが想像する、必要な機能や、スキルを挙げてみた。
1) html テンプレートを使った、html ページの表示。
  ejs を利用する。
2) DB 操作。
 データの、 新規、更新、削除 、検索と一覧。
 検索&一覧で、1ページに収まらない時は、ページめくりをする。
3) 画像ファイルのアップロード。
 及び、画像ファイルの削除。
4) クッキーの使用。
5) 認証
6) バックグラウンド(別プロセス)での、メール送信。
及び、メール文面のテンプレートを使った、文章の作成。日本語対応。
7) node,js の ssl 対応は?
8) ハッキング対策。
 SQL Injection 対策、クロスサイトスクリプト対策、と、form 送信のなりすまし対策
9) クライアントサイドからの非同期通信への応答。
10) テキストファイルの操作、及び、その時の排他制御。
 この場合、排他制御が、必須みたい。方法は、いくつかあるみたいだが、
 proper-lockfile のサンプルを、google ai で、教えてもらうのが、簡単じゃ? perl のフィルロックと同じ要領みたい。ただし、ロックの解除し忘れ対策として、必ず、一定時間が経過したら、
フィルロックが自動で消える指定をすることが大事。
11) データエントリーページ。
 入力データのチェックは、ブラウザー上とサーバー上のダブルで行う。
 ブラウザーの戻るボタンで、戻った場合も対応する。システム上に重複したデータが登録されない事。
 とにかく一般的ユーザは、でたらめな操作をする事を前提に、プログラムすることが需要!!
12) 複数ページに対応した、プログラミング。
次項の、"4. 複数ページに対応した、サーバー プログラミングに関して。" を参照しとうせ!!

ここからは、エキスパート。
1) node.js のクラスター構成。
2) クラスターでの排他制御。

最後は、
1) 公開サーバーへのデプロイ。
単独か、niginx 等との併設か?

2. Basci 認証のプログラム。
認証時にの username、password のチェックは、express-basic-auth.basicAuth callback の中で書ける。

Vite + Vue.js + Typescript で、クライアントサイドでのアプリ開発環境を作成する。

Vite + React + Typescript 開発環境 で少し、クライアントサイドのアップリ作成を試してみたが、なんとなくしっくりしない。
ならば、Vue.js を使うのはどうかと思って、試してみた。

Vite を使うのが、2026 現在のおすすめのようで、React と同じ要領で作成できる。
google で、[Vite + Vue.js + Typescript 開発環境作成] を問い合わせした回答に従って、開発環境を作成してみた。

1. インストール
google の回答にしたがって、環境を構築するだけ。

$ cd ~/www/vuejs --- 適当な、Vue.js の開発ディレクトリー。
$ npm create vite@latest my-vue-app
Project name: my-vue-app
Select a frame work: Vue
Select a variant: TypeScript
Use rolldown-vite(Experimental): No
Install with npm and Start now: Yes

Vite + React で、クライアントサイド( ブラウザー ) での開発を試してみた。

今回は、ブラウザー上で動作する Javascript の開発を試す。
サーバーサイドの開発か、クライアントサイドの開発か、あまり明言せずに書いているページが多いので、こんがががったぞね。

React の開発をするには、 Vite を使うのが良いらしい。
参考にさせてもらったのは、下記のぺーじです。ありがとう!!
【図解解説】0からReact開発して基礎をマスターできる最強チュートリアル 映画アプリ編【初心者完全版】

しかし、この環境はすごい。
Vscode で、src/App.tsx を変更すると、
即座に、ブラウザーに反映される。

注意しないと行けないのは、ここで作った、ファイルは、最終的には、 build して、
サーバー上にアップロードしないと使えないみたいじゃ。
google ai さんに教えてもらった。

node.js + express (+ TypeScript) の DB接続についての疑問!!

DB接続のサンプルプログラムで、 DB の open をプログラムの最初で、1回行うのを見かけるが、複数同時接続の場合これで良いのか?
app.ts 例
import express from 'express'; import sqlite3 from 'sqlite3'; import * as path from 'path'; const app = express(); // データベースを開く const db = new sqlite3.Database('./mydb.sqlite3', (err) => { if (err) { console.error('データベース接続エラー:', err.message); } else { console.log('データベースに接続しました。'); } }); ....

ちょっと、疑問に思ったので、ChatGTP に、聞いてみた。

先ず、最初に
>>> node.js + express でのプログラムは、マルチスレッドで動くのでしょうか?

結論から言うと、
Node.js + Express は基本的に「シングルスレッド」で動作します。
ただし、マルチスレッド的に動かす仕組みも持っています。
....

ふむふむ。
続けて、次の質問じゃ
>>> 1. Node.js の基本モデル でのサンプルプログラム app.js の中で、DBを使う際に、DB の open を最初に1度だけ、行う処理を見かけるが、複数接続の場合でも、この方法で大丈夫でしょうか?

はい、その疑問は とても重要なポイント です。
結論から言うと、
「DBの open をアプリ起動時に1回だけ行う」設計は、ほとんどの場合で正しく、推奨されます。
複数同時接続があっても問題ありません。
ただし、**「DBの種類」と「接続方式」**によって前提が変わります。
....
どうやら、
MySQL / PostgreSQL 等は、これで良いみたいじゃ。
ただし、SQLite は、これでは、NG で、接続ごとに、open、close をするみたいじゃ。
ありがとう ChatGTP

こほん、以上じゃ。

PHP Laravel の勉強を始める。

20年以上のブランクがあるが、久しぶりに、PHP を使ってみた。
手始めは、PHP5 で作った過去のフルスクラッチのシステムを、PHP8.x で動くように修正してみた。

最近は、PHP もフルスクラッチでの開発はなくて、フレームワークでの開発が主流みたいじゃ。

PHPの幾多もあるフレームワークの一つで、 Laravel を少し試してみた。

参考にさせてもらったのは、
Laravelの基礎知識

環境
PC: ubuntu-mate 24.04
Lighttpd
SQLite3
php-cli
Apache、MySQL 等は、面倒なので使わない。

Lighttpd でも、設定すれば、Laravel が動くみたい。
最近は、ほとんど、Google AI さんに教えてもらっている。

/etc/lighttpd/lighttpd.conf を修正!!
... server.modules += ( "mod_rewrite" ) server.document-root ="/home/nishi/www/local-test/laravelapp/blog/public" ... # add by nishi # ファイルがなければ/index.phpにルーティング url.rewrite-if-not-file = ( "^/(.*)$" => "/index.php?p=$1" )

ただし、
$ php artisan serve
のほうがかんたんか!!

高知県土佐市の笑えないなんちゃって行政 2025 #2

土佐市の行政の本当の行いを綴る!!
土佐市の一職員の規範意識のなさは、決して今に始まったことではない。連綿と受け継がれる黒歴史
高知県土佐市の笑えないなんちゃって行政 2025 の続きぞね!!

7. 2025.12.5(金) 12:40 晴れ
今年も、はや師走ぞね。はやいものじゃ
さて、今月になって、また、土佐市の防災行政無線から、連日放送が流されだした。 それも、災害とは関係のない、市の広報ばかり。
本当に迷惑じゃ。

2/3(水) 17:40 健康福祉課　献血実施の知らせ
12/3(水) 17:45 水道局　今週、水道凍結への注意喚起
12/4(木) 12:40 障害学習課　つなーで　での講演会開催の知らせ
12/5(金) 12:40 総務課　年末、年始の交通安全運動の知らせ

市民の迷惑を考えないものか?
仕方がないので、また、苦情のメールフォームを書きこんだ。