这篇文章主要介绍了python用于人工智能的例子,具有一定借鉴价值,需要的朋友可以参考下。希望大家阅读完这篇文章后大有收获,下面让小编带着大家一起了解一下。
Source code download: 本文相关源码
大家好,小编来为大家解答以下问题,python用于人工智能的例子,python编程人工智能小例子,现在让我们一起来看看吧!
前言
近日,《本草纲目》毽子操的视频刷屏网络。公司里更是多了很多刘畊宏女孩,在520到来之际特意奉献这篇文章给大家python好玩又简单的代码学c+之前要学python吗。如果有心仪的女孩这篇文章可以帮助你哦。
歌词:抬腿!拍腿!,侧边的肥肉咔咔掉,人鱼线马甲线我都要!刘畊宏的男孩女孩看过来。
让我们来用Python定制出心仪的“本草纲目女孩”,敲出魔性的代码舞蹈,520,准备好心仪女孩的舞蹈视频,把这份别出心裁的礼物给TA❤️。
一、华为云ModelArts-Notebook介绍
1.华为云ModelArts-Notebook
ModelArts集成了基于开源的Jupyter Notebook和JupyterLab,可为您提供在线的交互式开发调试工具。您无需关注安装配置,在ModelArts管理控制台直接使用Notebook,编写和调测模型训练代码,然后基于该代码进行模型的训练。
其中,ModelArts还提供了华为自研的分布式训练加速框架MoXing,您可以在Notebook中使用MoXing编写训练脚本,让您代码编写更加高效、代码更加简洁。
1.1 Jupyter Notebook是什么
Jupyter Notebook是一个可以在浏览器中使用的交互式的计算应用程序,该应用程序的所有可见的内容,以笔记本文档表示,包括计算的输入和输出、解释文本、数学、图像和对象的富媒体等表示。因此,Jupyter Notebook可以实现将代码、文字完美结合起来,非常适合从事机器学习、数据分析等数据科学工作的人员。
Jupyter Notebook相关文档:Project Jupyter Documentation — Jupyter Documentation 4.1.1 alpha documentation
1.2 JupyterLab是什么
JupyterLab是一个交互式的开发环境,是Jupyter Notebook的下一代产品,可以使用它编写Notebook、操作终端、编辑MarkDown文本、打开交互模式、查看csv文件及图片等功能。
JupyterLab相关文档:JupyterLab Documentation — JupyterLab 4.1.2 documentation
1.3 什么是Moxing
MoXing是华为云ModelArts团队自研的分布式训练加速框架,它构建于开源的深度学习引擎TensorFlow、MXNet、PyTorch、Keras之上。相对于TensorFlow和MXNet原生API而言,MoXing API让模型代码的编写更加简单,允许用户只需要关心数据输入(input_fn)和模型构建(model_fn)的代码,即可实现任意模型在多GPU和分布式下的高性能运行,降低了TensorFlow和MXNet的使用门槛。另外,MoXing-TensorFlow还将支持自动超参选择和自动模型结构搜索,用户无需关心超参和模型结构,做到模型全自动学习。
Moxing相关文档:ModelArts-Lab/docs/moxing_api_doc at master · huaweicloud/ModelArts-Lab · GitHub
2.Python-Opencv
Python由荷兰数学和计算机科学研究学会的吉多·范罗苏姆于1990年代初设计,作为一门叫做ABC语言的替代品。Python提供了高效的高级数据结构,还能简单有效地面向对象编程。Python语法和动态类型,以及解释型语言的本质,使它成为多数平台上写脚本和快速开发应用的编程语言,随着版本的不断更新和语言新功能的添加,逐渐被用于独立的、大型项目的开发。
Python解释器易于扩展,可以使用C语言或C++(或者其他可以通过C调用的语言)扩展新的功能和数据类型。Python也可用于可定制化软件中的扩展程序语言。Python丰富的标准库,提供了适用于各个主要系统平台的源码或机器码。
OpenCV用C++语言编写,它具有C++,Python,Java和MATLAB接口,并支持Windows,Linux,Android和Mac OS,OpenCV主要倾向于实时视觉应用,并在可用时利用MMX和SSE指令,如今也提供对于C#、Ch、Ruby,GO的支持。
opencv-python的github网址:opencv-python · PyPI
OpenCV官网:OpenCV - Open Computer Vision Library
二、本地案例实现Python定制我的《本草纲目女孩》
1.案例实现流程
众所周知,视频是由一帧帧图像构成,Opencv处理视频图像信息的原理就是将视频转为一帧帧图像,处理完图像后再转换为视频。
用Python实现案例流程如下:
2.案例环境部署
2.1 本机环境
- vs2022
- anaconda(已经包括opencv和PIL)
- python
2.2 安装对应的anaconda包
anaconda这是一个非常常用的python包集成管理工具,其中预安装了很多python库,使得我们不需要去手动安装各种的第三方库,我们知道自己取手动安装的过程中,很容易就会遇到一些报错,解决起来也非常的麻烦。
anaconda官网:Free Download | Anaconda
下载完软件包一路点击安装就行了,安装成功后会出现如下界面。
查看是否安装成功命令:conda --version
2.3 安装opencv-python
进入anaconda控制台输入如下命令:
pip install opencv-python
3.案例实现代码
本案例的实现过程主要分为以下几步:
1. 导入数据
2. 导入库函数
3. 将视频转化为图像帧
4. 对图片帧进行ASCII码的转换
5. 将转换好的图片帧合成视频
3.1 导入数据
3.2 导入库函数
#导入Python库
import cv2
from PIL import Image,ImageFont,ImageDraw
import os
from cv2 import VideoWriter, VideoWriter_fourcc, imread, resize
3.3 将视频转化为图像帧
#将视频转换为图片存入目标文件夹
def video_to_pic(vp):
number = 0
# 判断载入的视频是否可以打开
if vp.isOpened():
#r:布尔型 (True 或者False),代表有没有读取到图片,frame:表示截取到的一帧的图片的数据,是个三维数组
r,frame = vp.read()
#判断文件夹是否存在,不存在的话则新建文件夹
if not os.path.exists('cache_pic'):
os.mkdir('cache_pic')
os.chdir('cache_pic')
else:
r = False
#遍历视频,并将每一帧图片写入文件夹
while r:
number += 1
cv2.imwrite(str(number)+'.jpg',frame)
r,frame = vp.read()
print('\n由视频一共生成了{}张图片!'.format(number))
# 修改当前工作目录至主目录
os.chdir("..")
return number
3.4 对图片帧进行ASCII码的转换
#将图片进行批量化处理
def star_to_char(number, save_pic_path):
#判断文件夹是否存在,不存在的话则新建文件夹
if not os.path.exists('cache_char'):
os.mkdir('cache_char')
# 生成目标图片文件的路径列表
img_path_list = [save_pic_path + r'/{}.jpg'.format(i) for i in range(1, number + 1)]
task = 0
for image_path in img_path_list:
# 获取图片的分辨率
img_width, img_height = Image.open(image_path).size
task += 1
#处理图片,并显示处理进程
img_to_char(image_path, img_width, img_height, task)
print('{}/{} is processed.'.format(task, number))
print('=======================')
print('All pictures were processed!')
print('=======================')
return 0
# 将图片转换为灰度图像后进行ascii_char中的ASCII值输出
# 函数输入像素RGBA值,输出对应的字符码。其原理是将字符均匀地分布在整个灰度范围内,像素灰度值落在哪个区间就对应哪个字符码。
def get_char(r, g, b, alpha=256):
#ascii_char就是字符列表,用来将不同灰度的像素进行不同字符体替换的参照。
ascii_char = list("#RMNHQODBWGPZ*@$C&98?32I1>!:-;. ")
#alpha在为0的时候便是完全透明的图片,所以返回空
if alpha == 0:
return ''
length = len(ascii_char)
#转为灰度图
#RGBA是代表Red(红色)、Green(绿色)、Blue(蓝色)和Alpha的色彩空间,Alpha通道一般用作不透明度参数
#如果一个像素的alpha通道数值为0%,那它就是完全透明的,而数值为100%则意味着一个完全不透明的像素
gray = int(0.2126 * r + 0.7152 * g + 0.0722 * b)
# unit = (256.0 + 1) / len(ascii_char)
unit = 256 / len(ascii_char)
return ascii_char[int(gray / unit)]
def img_to_char(image_path, raw_width, raw_height, task):
width = int(raw_width / 6)
height = int(raw_height / 15)
# 以RGB模式打开
im = Image.open(image_path).convert('RGB')
im = im.resize((width, height), Image.NEAREST)
txt = ''
color = []
#遍历图片的每个像素
for i in range(height):
for j in range(width):
pixel = im.getpixel((j, i))
# 将颜色加入进行索引
color.append((pixel[0], pixel[1], pixel[2]))
if len(pixel) == 4:
txt += get_char(pixel[0], pixel[1], pixel[2], pixel[3])
else:
txt += get_char(pixel[0], pixel[1], pixel[2])
txt += '\n'
color.append((255, 255, 255))
im_txt = Image.new("RGB", (raw_width, raw_height), (255, 255, 255))
dr = ImageDraw.Draw(im_txt)
font = ImageFont.load_default().font
x, y = 0, 0
font_w, font_h = font.getsize(txt[1])
font_h *= 1.37 # 调整字体大小
for i in range(len(txt)):
if (txt[i] == '\n'):
x += font_h
y = -font_w
dr.text((y, x), txt[i], fill=color[i])
y += font_w
#存储处理后的图片至文件夹
os.chdir('cache_char')
im_txt.save(str(task) + '.jpg')
#直接进入新创建的文件夹将生成的图片直接存入文件夹中
os.chdir("..")
return 0
3.5 将转换好的图片帧合成视频
# 进度条显示
def process_bar(percent, start_str='', end_str='', total_length=0):
bar = ''.join("■ " * int(percent * total_length)) + ''
bar = '\r' + start_str + bar.ljust(total_length) + ' {:0>4.1f}%|'.format(percent * 100) + end_str
print(bar, end='', flush=True)
#图片帧合成视频
def jpg_to_video(char_image_path, FPS):
# 设置视频编码器,这里使用MP42编码器
video_fourcc = VideoWriter_fourcc(*"MP42")
# 生成目标字符图片文件的路径列表
char_img_path_list = [char_image_path + r'/{}.jpg'.format(i) for i in range(1, number + 1)]
# 获取图片的分辨率
char_img_test = Image.open(char_img_path_list[1]).size
if not os.path.exists('video'):
os.mkdir('video')
video_writter = VideoWriter('video/output.avi', video_fourcc, FPS, char_img_test)
sum = len(char_img_path_list)
count = 0
for image_path in char_img_path_list:
img = cv2.imread(image_path)
video_writter.write(img)
end_str = '100%'
count = count + 1
process_bar(count / sum, start_str='', end_str=end_str, total_length=15)
video_writter.release()
print('\n')
print('=======================')
print('The video is finished!')
print('=======================')
3.6 主函数
if __name__ == "__main__":
#初始视频路径
video_path = 'test_demo0510.mp4'
#原始视频转为图片的图片保存路径
save_pic_path = 'cache_pic'
#图片经处理后的图片保存路径
save_charpic_path = 'cache_char'
# 读取视频
vp = cv2.VideoCapture(video_path)
# 将视频转换为图片 并进行计数,返回总共生成了多少张图片
number = video_to_pic(vp)
# 计算视频帧数
FPS = vp.get(cv2.CAP_PROP_FPS)
# 将图像进行字符串处理后
star_to_char(number, save_pic_path)
vp.release()
# 将图片合成为视频
jpg_to_video(save_charpic_path, FPS)
3.7 运行结果
运行后一共生成了382张图片,和视频文件,保存在如下文件夹下。
4.案例播放代码
import cv2
from IPython.display import clear_output, Image, display
def show_video(video_path, show_text):
video = cv2.VideoCapture(video_path)
while True:
try:
clear_output(wait=True)
# 读取视频
ret, frame = video.read()
if not ret:
break
height, width, _ = frame.shape
cv2.putText(frame, show_text, (0, 100), cv2.FONT_HERSHEY_TRIPLEX, 3.65, (255, 0, 0), 2)
frame = cv2.resize(frame, (int(width / 2), int(height / 2)))
_, ret = cv2.imencode('.jpg', frame)
display(Image(data=ret))
except KeyboardInterrupt:
video.release()
#视频循环播放
i=1
while i>0:
show_video('video/output.avi',str(i))
i=i+1
三、华为云AI实现Python定制我的《本草纲目女孩》
1.基础配置
"本草纲目"健身操字符串视频操作实例的案例页面如下:https://developer.huaweicloud.com/develop/aigallery/Notebook/detail?id=c81526e5-cc88-497f-8a21-41a5632e014e
点击Run in ModelArts,进入JupyterLab页面。
配置当前运行环境,切换规格,并选择免费的就好了。
2.导入数据
选择下方代码,点击运行。
运行完成后如下:
3.安装相关依赖
选择下方代码,点击运行安装opencv包
pip install opencv_python
4.导入库函数
#导入Python库
import cv2
from PIL import Image,ImageFont,ImageDraw
import os
from cv2 import VideoWriter, VideoWriter_fourcc, imread, resize
5.将视频转化为图像帧
#将视频转换为图片存入目标文件夹
def video_to_pic(vp):
number = 0
# 判断载入的视频是否可以打开
if vp.isOpened():
#r:布尔型 (True 或者False),代表有没有读取到图片,frame:表示截取到的一帧的图片的数据,是个三维数组
r,frame = vp.read()
#判断文件夹是否存在,不存在的话则新建文件夹
if not os.path.exists('cache_pic'):
os.mkdir('cache_pic')
os.chdir('cache_pic')
else:
r = False
#遍历视频,并将每一帧图片写入文件夹
while r:
number += 1
cv2.imwrite(str(number)+'.jpg',frame)
r,frame = vp.read()
print('\n由视频一共生成了{}张图片!'.format(number))
# 修改当前工作目录至主目录
os.chdir("..")
return number
6.对图片帧进行ASCII码的转换
#将图片进行批量化处理
def star_to_char(number, save_pic_path):
#判断文件夹是否存在,不存在的话则新建文件夹
if not os.path.exists('cache_char'):
os.mkdir('cache_char')
# 生成目标图片文件的路径列表
img_path_list = [save_pic_path + r'/{}.jpg'.format(i) for i in range(1, number + 1)]
task = 0
for image_path in img_path_list:
# 获取图片的分辨率
img_width, img_height = Image.open(image_path).size
task += 1
#处理图片,并显示处理进程
img_to_char(image_path, img_width, img_height, task)
print('{}/{} is processed.'.format(task, number))
print('=======================')
print('All pictures were processed!')
print('=======================')
return 0
# 将图片转换为灰度图像后进行ascii_char中的ASCII值输出
# 函数输入像素RGBA值,输出对应的字符码。其原理是将字符均匀地分布在整个灰度范围内,像素灰度值落在哪个区间就对应哪个字符码。
def get_char(r, g, b, alpha=256):
#ascii_char就是字符列表,用来将不同灰度的像素进行不同字符体替换的参照。
ascii_char = list("#RMNHQODBWGPZ*@$C&98?32I1>!:-;. ")
#alpha在为0的时候便是完全透明的图片,所以返回空
if alpha == 0:
return ''
length = len(ascii_char)
#转为灰度图
#RGBA是代表Red(红色)、Green(绿色)、Blue(蓝色)和Alpha的色彩空间,Alpha通道一般用作不透明度参数
#如果一个像素的alpha通道数值为0%,那它就是完全透明的,而数值为100%则意味着一个完全不透明的像素
gray = int(0.2126 * r + 0.7152 * g + 0.0722 * b)
# unit = (256.0 + 1) / len(ascii_char)
unit = 256 / len(ascii_char)
return ascii_char[int(gray / unit)]
def img_to_char(image_path, raw_width, raw_height, task):
width = int(raw_width / 6)
height = int(raw_height / 15)
# 以RGB模式打开
im = Image.open(image_path).convert('RGB')
im = im.resize((width, height), Image.NEAREST)
txt = ''
color = []
#遍历图片的每个像素
for i in range(height):
for j in range(width):
pixel = im.getpixel((j, i))
# 将颜色加入进行索引
color.append((pixel[0], pixel[1], pixel[2]))
if len(pixel) == 4:
txt += get_char(pixel[0], pixel[1], pixel[2], pixel[3])
else:
txt += get_char(pixel[0], pixel[1], pixel[2])
txt += '\n'
color.append((255, 255, 255))
im_txt = Image.new("RGB", (raw_width, raw_height), (255, 255, 255))
dr = ImageDraw.Draw(im_txt)
font = ImageFont.load_default().font
x, y = 0, 0
font_w, font_h = font.getsize(txt[1])
font_h *= 1.37 # 调整字体大小
for i in range(len(txt)):
if (txt[i] == '\n'):
x += font_h
y = -font_w
dr.text((y, x), txt[i], fill=color[i])
y += font_w
#存储处理后的图片至文件夹
os.chdir('cache_char')
im_txt.save(str(task) + '.jpg')
#直接进入新创建的文件夹将生成的图片直接存入文件夹中
os.chdir("..")
return 0
7.将转换好的图片帧合成视频
# 进度条显示
def process_bar(percent, start_str='', end_str='', total_length=0):
bar = ''.join("■ " * int(percent * total_length)) + ''
bar = '\r' + start_str + bar.ljust(total_length) + ' {:0>4.1f}%|'.format(percent * 100) + end_str
print(bar, end='', flush=True)
#图片帧合成视频
def jpg_to_video(char_image_path, FPS):
# 设置视频编码器,这里使用MP42编码器
video_fourcc = VideoWriter_fourcc(*"MP42")
# 生成目标字符图片文件的路径列表
char_img_path_list = [char_image_path + r'/{}.jpg'.format(i) for i in range(1, number + 1)]
# 获取图片的分辨率
char_img_test = Image.open(char_img_path_list[1]).size
if not os.path.exists('video'):
os.mkdir('video')
video_writter = VideoWriter('video/output.avi', video_fourcc, FPS, char_img_test)
sum = len(char_img_path_list)
count = 0
for image_path in char_img_path_list:
img = cv2.imread(image_path)
video_writter.write(img)
end_str = '100%'
count = count + 1
process_bar(count / sum, start_str='', end_str=end_str, total_length=15)
video_writter.release()
print('\n')
print('=======================')
print('The video is finished!')
print('=======================')
8.运行主函数
if __name__ == "__main__":
#初始视频路径
video_path = 'test_demo0510.mp4'
#原始视频转为图片的图片保存路径
save_pic_path = 'cache_pic'
#图片经处理后的图片保存路径
save_charpic_path = 'cache_char'
# 读取视频
vp = cv2.VideoCapture(video_path)
# 将视频转换为图片 并进行计数,返回总共生成了多少张图片
number = video_to_pic(vp)
# 计算视频帧数
FPS = vp.get(cv2.CAP_PROP_FPS)
# 将图像进行字符串处理后
star_to_char(number, save_pic_path)
vp.release()
# 将图片合成为视频
jpg_to_video(save_charpic_path, FPS)
等待主函数执行完成,后会生成如下三个文件夹:
9.播放视频
总结
本文主要介绍了本地开发和华为云ModelArts开发两种形式,从开发流程中大家也明白那种形式开发更简单。
ModelArts是面向开发者的一站式AI开发平台,为机器学习与深度学习提供海量数据预处理及半自动化标注、大规模分布式Training、自动化模型生成,及端-边-云模型按需部署能力,帮助用户快速创建和部署模型,管理全周期AI工作流。
华为云ModelArts-Notebook云开发的优势不需要本地进行安装资源包,在ModelArts-Notebook环境就已经集成了这些环境,减少了人为部署压力,更易于上手、更高性能、一站式服务、支持多种主流框架。
本文整理自华为云社区【内容共创】活动第16期。
查看活动详情:【奖励公示】【内容共创】第16期 五月絮升华,共创好时光!签约华为云小编,还可赢高达500元礼包!-云社区-华为云
相关任务详情:任务1.用Python定制我的“本草纲目女孩”