Buscar contenido similar

Crocodile VS Python Stalemate situation... #crocodile#python

📰 AMD GAIA 0.16 Introduces C++17 Agent Framework For Building AI PC Agents In Pure C++ AMD's GAIA open-source framework for building AI agents that run locally on Ryzen AI hardware via the Radeon iGPUs and/or NPUs is up to version 0.16. With this new GAIA release is support for developing AI agents purely in C++ with no longer needing to depend upon Python... 🔗 Source: https://www.phoronix.com/news/AMD-GAIA-0.16 #amd#opensource#python

Курсы Spatial Thoughts и Geospatial Python Tutorials Spatial Thoughts (https://spatialthoughts.com) — образовательная платформа, основанная Уджавалом Ганди (Ujaval Gandhi). Она предлагает курсы по анализу пространственных данных на Python: 🎓Python Foundation for Spatial Analysis 🎓Mapping and Data Visualization with Python Материалы курсов бесплатны, за прохождение курса с инструктором придется заплатить. 🔗Дополняет учебные курсы сайт Geospatial Python Tutorials (https://www.geopythontutorials.com). Он содержит примеры применения пакетов GeoPandas, Xarray, Dask, SamGeo и мн. др. для решения практических задач. Вот, например, извлечение информации из нескольких новостей о конфликтах между людьми и слонами в Индии, и геокодирование мест конфликтов — все с помощью ChatGPT. В качестве среды для работы рекомендуется Google Colab. #python#ИИ

Анализ видео: визуализация Последний пост серии, первые два по ссылкам: 1. Подготовка данных 2. Анализ данных Для виза снова используем cv2. Если данные записаны в таблицу xlsx, то понадобится модуль ast для корректного считывания синтаксиса списков. При считывании объединяем данные в одномерный список (colors) и создаем пустой массив: # суммарное число цветов colors_length = len(colors) # высота изображения в пикселях height = 500; # создаем пустой массив # height: число строк # colors_length: число столбцов # 3: массив цвета (r, g, b) img_array = np.zeros((height, colors_length, 3), np.uint8) После этого заполняем массив цветами и с помощью cv2 создаем изображение: # заполняем массив for x in range(colors_length): img_array[:,x] = colors[x] # записываем в файл cv2.imwrite('file_name.png', img_array) Подробнее о параметрах файла палитры и том, как с ним работать, — в карточках. P.S. И как обычно, полный код этой части в комментариях. #датавиз#python

Анализ видео: цвет На прошлом этапе мы записали по одному кадру видео в секунду в список captures_array. Имея данные о кадрах в формате rgb, мы можем определить преобладающие оттенки. Для этого используем метод кластеризации, а точнее kmeans. Он позволяет разбить массив на нужное число групп по близости значений и выделить их центры (центроиды). Эти значения являются доминирующими оттенками кадра. На мой взгляд, детальность данных будет достаточная, если выделить пять центроидов (k). Этот алгоритм нужно применить в цикле к каждому кадру (capture): # определяем размеры массива shape = capture.shape # пересобираем в одномерный массив ar = capture.reshape(np.product(shape[:2]), shape[2]).astype(float) # находим заданное число центроидов centroids,_ = kmeans(ar, k) В итоге получаем палитру каждого кадра фильма в хронологическом порядке. Как ее визуализировать, расскажу в следующем посте. P.S. Полный код оставила в комментариях. #датавиз#python

Анализ видео: подготовка данных Я использую python, но общая логика алгоритма может пригодиться и для других языков. Сначала нужно покадрово считать видео. Сделаем это с помощью библиотеки OpenCV (cv2): import cv2 # видео целиком video = cv2.VideoCapture('file_name.mp4') # частота кадров fps = int(video.get(cv2.CAP_PROP_FPS)) # число кадров во всем видео frame_count = int(video.get(cv2.CAP_PROP_FRAME_COUNT)) Теперь можно запустить цикл и собрать один кадр за каждую секунду. В цикле повторяется такой код: ret, frame = video.read() Каждую итерацию считывается следующий кадр. В ret записывается информация о корректности считывания (True/False), frame — кадр в формате массива с rgb каждого пикселя. Имея частоту видео, мы можем записать только один кадр в секунду. Такого объема данных достаточно для анализа. В итоге получаем список с числом кадров равным длительности видео в секундах. Что делать с ним дальше расскажу в следующем посте. P.S. В комментариях полный код этой части. #датавиз#python

https://habr.com/ru/companies/first/articles/967122/ Работаем с NanoVNA из программы на Python #nanovna#python

2025年Python人工智能开发 V5.0 🚦2025年Python人工智能开发V5.0版本课程，旨在帮助学员掌握最新的人工智能技术和应用。 🚦该课程涵盖了从基础到高级的内容，适合不同层次的学习者。 🧲https://x.com/vanxinltd/status/1921049690650317294 #Python#人工智能

✨Python - 100天从新手到大师 Python是一个“优雅”、“明确”、“简单”的编程语言。 *学习曲线低，非专业人士也能上手 *开源系统，拥有强大的生态圈 *解释型语言，完美的平台可移植性 *动态类型语言，支持面向对象和函数式编程 *代码规范程度高，可读性强 资料下载 | Github仓库 🏷 TAG #Python#教程 📢 Channel @xiangyues 👥 Eren's Group @everyue

🔥 Сегодня **Moscow Python Meetup** 📅 22 февраля / 18:00 / Москва, ул. Льва Толстого, д.16, конференц-зал «Экстрополис» 💵 Бесплатно 📝 Регистрация тут: https://goo.gl/sqFZUE 53я встреча сообщества Moscow Python. С докладами выступят разработчики из «Лаборатории Касперского», Сбербанка и Яндекса. Они расскажут об asyncio, мобильной разработке на Питоне и о применении JupyterHub. 🔗 Программа: https://goo.gl/kKpQqv 🔗 Сайт: https://goo.gl/8Woxvh #python#Москва

✅ Завтра **Moscow Python Meetup** 📅 22 февраля / 18:00 / Москва, ул. Льва Толстого, д.16, конференц-зал «Экстрополис» 💵 Бесплатно 📝 Регистрация тут: https://goo.gl/sqFZUE 53я встреча сообщества Moscow Python. С докладами выступят разработчики из «Лаборатории Касперского», Сбербанка и Яндекса. Они расскажут об asyncio, мобильной разработке на Питоне и о применении JupyterHub. 🔗 Программа: https://goo.gl/kKpQqv 🔗 Сайт: https://goo.gl/y82XG7 #python#Москва

🔻标题：Python脚本打包Exe工具_1.0 体积极限压缩 🌈说明: 智能分析依赖并打包，进一步压缩体积。 📃下载地址: 夸克盘 / 蓝奏云 ✉️标签：#python#工具#pc