Python 凭借语法的易学性，代码的简洁性以及类库的丰富性，博得了泛滥开发者的青睐。上面咱们来看看，用不超过10行代码能实现些什么乏味的性能
百度飞桨
百度飞桨 paddlepaddle 是百度开源的深度学习工具，其功能强大，基于该工具咱们能够实现很既乏味又有用的性能
在应用之前，咱们必定要先装置喽
pip install paddlepaddle -i https://mirror.baidu.com/pypi/simple
pip install paddlehub -i https://mirror.baidu.com/pypi/simple 装置实现后，咱们来体验几个乏味的我的项目
批量抠图
批量获取指定目录下的图片，而后通过 paddlehub 训练好的模型进行批量抠图解决
import os
import paddlehub as hub
# 加载模型
humanseg = hub.Module(name='deeplabv3p_xception65_humanseg')
path = './heben/' # 文件目录
# 获取文件列表
files = [path + i for i in os.listdir(path)]
# 抠图
results = humanseg.segmentation(data={'image': files})
for result in results:
print(result)Output:
咱们能够看到，通过解决之后的图片主动保留在目录 humanseg_output 上面
咱们能够比照下解决前后图片的差别
整体来看，抠图成果还是十分棒的！
留神：如果执行代码没有生成对应的 out 文件夹，能够从新手动装置模型再尝试
hub install deeplabv3p_xception65_humanseg==1.0.0自然语言解决
飞浆同样有很强的自然语言解决能力，在解决文字情绪辨认方面也十分突出
senta = hub.Module(name='senta_lstm') # 加载模型
sentence = [ # 筹备要辨认的语句
'你好丑陋', '你真难看呀', '他好惆怅', '我不开心', '这是一款什么游戏，真垃圾', '这个游戏太好玩了',
]
results = senta.sentiment_classify(data={'text':sentence}) # 情绪辨认
# 输入辨认后果
for result in results:
print(result)Output:
能够看出，文字情绪的辨认还是十分精确的，当然咱们这里语料比拟少，在大语料、更简单的语言环境下，飞浆的体现如何还有待验证
人脸识别
当今社会人脸识别能够说是随处可见，而在疫情肆虐的明天，口罩仿佛也成为咱们日常呈现必备的条件，飞浆工具也减少了口罩辨认性能，咱们来看看
# 加载模型
module = hub.Module(name='pyramidbox_lite_mobile_mask')
# 图片列表
image_list = ['face2.jpg']
# 获取图片字典
input_dict = {'image':image_list}
# 检测是否带了口罩
module.face_detection(data=input_dict)face.jpg 如下
Output:
[{'data': [{'label': 'NO MASK',
'confidence': 0.9995137453079224,
'top': 478,
'bottom': 775,
'left': 1894,
'right': 2126},
{'label': 'NO MASK',
'confidence': 0.9903278946876526,
'top': 512,
'bottom': 810,
'left': 1754,
'right': 1998},
{'label': 'NO MASK',
'confidence': 0.9997405409812927,
'top': 697,
'bottom': 985,
'left': 1857,
'right': 2131},
{'label': 'NO MASK',
'confidence': 0.943692147731781,
'top': 575,
'bottom': 888,
'left': 1954,
'right': 2216}],
'path': 'face2.jpg'}]能够看出，曾经判断出超过99%的概率，该张图片是没有佩戴口罩的
人脸关键点检测
人脸关键点检测是人脸识别和剖析畛域中的要害一步，它是诸如主动人脸识别、表情剖析、三维人脸重建及三维动画等其它人脸相干问题的前提和突破口
咱们以如下这张图片作为待检测图片
代码如下
face_landmark = hub.Module(name="face_landmark_localization")
image = 'face.jpg'
result = face_landmark.keypoint_detection(images=[cv2.imread(image)],visualization=True)
print(result)Output:
能够看到人脸关键点曾经标注进去，并且把检测后的图片主动存储在 face_landmark_output 目录下
OpenCV
OpenCV 作为最为驰名的计算机视觉工具，基于它咱们也能够做很多乏味的事件
首先咱们装置好 OpenCV 库
pip install opencv-python猫脸辨认
在当今社会，谁还没有一个两个猫奴才呢，高冷的猫咪往往会失去人们非凡的爱戴！
咱们也习惯了人脸识别，明天就通过几行代码来看看猫脸辨认是怎么的呢
首先咱们到装置目录下提取锚链辨认 XML 分类器，具体目录如下
C:\Python3\Lib\site-packages\cv2\data
能够看到有如下很多分类器
咱们复制 haarcascade_frontalcatface.xml 到本人的我的项目下即可
# 待检测的图片门路
ImagePath = './cat/cat.jpg'
# 读取图片
image = cv2.imread(ImagePath)
# 把图片转换为灰度模式
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
# 探测图片中的猫脸
# 获取训练好的猫脸的参数数据,进行猫脸检测
face_cascade = cv2.CascadeClassifier(r'./haarcascade_frontalcatface.xml')
faces = face_cascade.detectMultiScale(gray,scaleFactor=1.15,minNeighbors=5,minSize=(3, 3))
search_info = "Find %d face."%len(faces) if len(faces) <= 1 else "Find %d faces."%len(faces)
# 绘制猫脸的矩形区域(红色边框)
for (x, y, w, h) in faces:
cv2.rectangle(image, (x,y), (x+w,y+h), (0,0,255), 2)
# 显示图片
# cv2.imshow('Find faces!', image)
# cv2.waitKey(0)
cv2.imwrite("./cat/cat2.jpg", image)Output:
获取摄像头人脸
咱们编写一个获取实时动静视频流的代码，实时获取当中的人脸信息
detector = cv2.CascadeClassifier('haarcascade_frontalface_default.xml')
cap = cv2.VideoCapture(0)
while True:
ret, img = cap.read()
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
faces = detector.detectMultiScale(gray, 1.3, 5)
for (x, y, w, h) in faces:
cv2.rectangle(img, (x, y), (x + w, y + h), (255, 0, 0), 2)
cv2.imshow('frame', img)
if cv2.waitKey(1) & 0xFF == ord('q'):
break
cap.release()
cv2.destroyAllWindows()留神这里应用的分类器是 haarcascade_frontalface_default.xml，可不要用错哦
Output:
自行在本人的电脑上尝试下哦~
疾速生成动图
在很多时候，尤其是在线聊天时，输了什么也不能输掉斗图啊，上面的代码能够疾速生成动图，在和敌人的斗图当中，失利的把握又减少了
import imageio
image_list = ['image/1.jpg','image/2.jpg', 'image/3.jpg', 'image/4.jpg']
gif_name = "dongtu.gif"
duration = 1
frames = []
for image_name in image_list:
frames.append(imageio.imread(image_name))
imageio.mimsave(gif_name, frames, "GIF", duration=duration)Output:
动图二维码
二维码在咱们的生存当中切实时太重要了，收付款、疾速进入网站，拜访各种统计信息等等，上面就来疾速生成一个乏味的动图二维码
咱们应用的图片如下
代码如下
from MyQR import myqr
url = "https://mp.weixin.qq.com/mp/profile_ext?action=home&__biz=MzU5NDcyOTg4MA==#wechat_redirect"
myqr.run(words=url,version=3,
picture="4.gif",colorized=True,save_name="luobodazahui.gif",
save_dir="./")Output:
ftp 服务器
可能很多人不晓得，通过 Python 几行简略代码，咱们能够疾速实现一个繁难的 ftp 服务器，这样在局域网内进行文件传输不再发愁啦！
代码非常简单，间接运行 Python 自带的 http 服务器即可
python -m http.server 8090Output:
接下来咱们拜访本地 IP + 端口8090
很弱小，很简略，很好用！
字符画
字符画是一系列字符的组合，咱们能够把字符看作是比拟大块的像素，一个字符能体现一种色彩，字符的品种越多，能够体现的色彩也越多，图片也会更有层次感
咱们只须要短短几行代码，就能够实现字符画的制作
咱们应用的图片如下
代码如下
IMG = "3.jpg"
WIDTH = 80
HEIGHT = 40
OUTPUT = "./ascii/ascii.txt"
ascii_char = list("$@B%8&WM#*oahkbdpqwmZO0QLCJUYXzcvunxrjft/\|()1{}[]?-_+~<>i!lI;:,\"^`'. ")
# 将256灰度映射到70个字符上
def get_char(r,g,b,alpha = 256):
if alpha == 0:
return ' '
length = len(ascii_char)
gray = int(0.2126 * r + 0.7152 * g + 0.0722 * b)
unit = (256.0 + 1)/length
return ascii_char[int(gray/unit)]
im = Image.open(IMG)
im = im.resize((WIDTH,HEIGHT), Image.NEAREST)
txt = ""
for i in range(HEIGHT):
for j in range(WIDTH):
txt += get_char(*im.getpixel((j,i)))
txt += '\n'
print(txt)
#字符画输入到文件
with open(OUTPUT,'w') as f:
f.write(txt)Output:
好了，这就是明天分享的内容，如果喜爱，就点个赞吧~
本文由mdnice多平台公布
发表回复