در این مطلب، ویدئو تشخیص لبه برای ویدیوی زنده وب کم با استفاده از پایتون با زیرنویس فارسی را برای دانلود قرار داده ام. شما میتوانید با پرداخت 15 هزار تومان ، این ویدیو به علاوه تمامی فیلم های سایت را دانلود کنید.اکثر فیلم های سایت به زبان انگلیسی می باشند. این ویدئو دارای زیرنویس فارسی ترجمه شده توسط هوش مصنوعی می باشد که میتوانید نمونه ای از آن را در قسمت پایانی این مطلب مشاهده کنید.
مدت زمان فیلم: 00:08:05
تصاویر این ویدئو:
قسمتی از زیرنویس این فیلم:
00:00:00,080 –> 00:00:02,090
سلام دوستان این یوگش مهرنگره است
2
00:00:02,090 –> 00:00:04,009
در این ویدیو قصد داریم در مورد
3
00:00:04,009 –> 00:00:08,090
نحوه تشخیص دستمزد زنده از طریق یک
4
00:00:08,090 –> 00:00:11,120
ویدیوی وب کم صحبت کنیم در اینجا می توانید در
5
00:00:11,120 –> 00:00:12,800
سمت چپ مشاهده کنید این تصویر من است
6
00:00:12,800 –> 00:00:15,620
که با کمک وب کم
7
00:00:15,620 –> 00:00:18,259
لپ تاپ من می توانید آن را مشاهده کنید. و در سمت راست خواهید
8
00:00:18,259 –> 00:00:21,489
دید که اینها لبه هایی هستند که
9
00:00:21,489 –> 00:00:24,259
برای تصویر مربوطه که روی
10
00:00:24,259 –> 00:00:25,699
مجموعه لب قرار دارد یا یک ویدیوی مورد انتظار که روی
11
00:00:25,699 –> 00:00:27,679
مجموعه لب قرار دارد، می بینید که چگونه با
12
00:00:27,679 –> 00:00:29,300
کمک برنامه نویسی پایتون این کار را انجام
13
00:00:29,300 –> 00:00:30,739
دهیم، هدف ما این است. در این ویدیوی خاص است
14
00:00:30,739 –> 00:00:33,710
و سپس کاری که می توانید انجام دهید این است که می توانید سعی کنید
15
00:00:33,710 –> 00:00:35,329
همه چیزها را کاوش کنید اکنون
16
00:00:35,329 –> 00:00:37,370
می توانید ببینید اگر سعی کردم این تصویر را به سمت چپ حرکت دهم
17
00:00:37,370 –> 00:00:40,820
این تصویر خاص ممکن است
18
00:00:40,820 –> 00:00:43,609
ویدیوی شما نیز بتواند سنین را به شما نشان دهد
19
00:00:43,609 –> 00:00:45,710
این خروجی ها اگر سعی کنم حرکت
20
00:00:45,710 –> 00:00:47,629
کنم، گفتند شما قادر خواهید بود به
21
00:00:47,629 –> 00:00:50,480
درستی ببینید، بنابراین چگونه می توان این لبه ها را
22
00:00:50,480 –> 00:00:53,210
برای هر ویدیویی با کمک بسته نیمه باز
23
00:00:53,210 –> 00:00:55,160
و برخی عوامل دیگر در پایتون تشخیص
24
00:00:55,160 –> 00:00:56,899
داد، این همان چیزی است که هدف ما این است که شما می توانید
25
00:00:56,899 –> 00:00:58,519
انجام دهید. آیا شما می توانید به عنوان mu کاوش کنید ch تا
26
00:00:58,519 –> 00:00:58,909
حد امکان
27
00:00:58,909 –> 00:01:00,530
چون پایانی وجود ندارد
28
00:01:00,530 –> 00:01:02,269
محدودیت بالایی برای این مورد وجود ندارد و این می تواند
29
00:01:02,269 –> 00:01:04,550
با استفاده از تعداد برنامه ها باشد که می توان
30
00:01:04,550 –> 00:01:06,980
از آن برای تشخیص اشیاء در یک ویدیو استفاده کرد
31
00:01:06,980 –> 00:01:09,620
و می توان از آن برای امنیت و
32
00:01:09,620 –> 00:01:11,810
نظارت استفاده کرد بنابراین تعداد آنها تعداد
33
00:01:11,810 –> 00:01:14,000
برنامه ها در خارج وجود دارد، بنابراین چگونه
34
00:01:14,000 –> 00:01:16,370
می توانم این ویدیوی خاص را ببینم و چگونه می
35
00:01:16,370 –> 00:01:18,350
توانم این لبه خاص را تشخیص دهم،
36
00:01:18,350 –> 00:01:19,880
برای این ویدیوی خاص در
37
00:01:19,880 –> 00:01:21,680
پایتون است، این چیزی است که ما می خواهیم اینجا ببینیم
38
00:01:21,680 –> 00:01:24,020
بسیار خوب، بنابراین برای شروع با
39
00:01:24,020 –> 00:01:27,620
این کار، این کار را ببندید. می توانید روی این یکی کلیک کنید
40
00:01:27,620 –> 00:01:30,020
و آن را ببندید، بنابراین اکنون می توانید ببینید
41
00:01:30,020 –> 00:01:31,430
این استخری است که من برای آن خروجی خاص انجام داده ام،
42
00:01:31,430 –> 00:01:36,110
می توانید ببینید برای شروع
43
00:01:36,110 –> 00:01:37,640
با این یکی، من آن را همه بسته ها قرار نداده ام،
44
00:01:37,640 –> 00:01:39,110
به عنوان مثال من
45
00:01:39,110 –> 00:01:41,090
بسته matplotlib را وارد کردم. برای
46
00:01:41,090 –> 00:01:43,700
تجسم است، بنابراین من سعی می کنم از یک
47
00:01:43,700 –> 00:01:45,170
روش استفاده کنم که به عنوان تصویر نامیده می شود،
48
00:01:45,170 –> 00:01:48,800
بنابراین آن را به عنوان یک تصویر MP از
49
00:01:48,800 –> 00:01:52,640
تصویر کلیپ سمت راست مترو وارد کردم، سپس اگر
50
00:01:52,640 –> 00:01:54,800
از کلیپ مترو برای رسم استفاده می کنیم،
51
00:01:54,800 –> 00:01:56,600
روشی را که من روشی به نام SPF را وارد کردم،
52
00:01:56,600 –> 00:01:59,210
spld و سپس از آرایه های شماره 4
53
00:01:59,210 –> 00:02:02,270
استفاده می کنیم پس و یک چیز دیگر
54
00:02:02,270 –> 00:02:03,860
بسته مهم این است که به
55
00:02:03,860 –> 00:02:05,780
نام C V 2 است که C باز است که
56
00:02:05,780 –> 00:02:07,670
برای فیلم ها استفاده می شود بنابراین ما آن را وارد می کنیم من قبلاً
57
00:02:07,670 –> 00:02:09,258
این بسته را با کمک
58
00:02:09,258 –> 00:02:11,810
PPS all نصب کرده ام. بیایید و آن را با
59
00:02:11,810 –> 00:02:13,030
ورودی آنها وارد کنید،
60
00:02:13,030 –> 00:02:15,130
اکنون اولین تابع اگر می بینید من
61
00:02:15,130 –> 00:02:17,020
سعی می کنم تابعی به نام Carlton تعریف کنم،
62
00:02:17,020 –> 00:02:17,680
63
00:02:17,680 –> 00:02:20,470
بنابراین تابع Carlton دارای این
64
00:02:20,470 –> 00:02:22,660
ویژگی خاص تصویر زیر خط
65
00:02:22,660 –> 00:02:24,190
رنگ است، بنابراین چگونه آدرس ایمیل
66
00:02:24,190 –> 00:02:26,050
زیر را انتخاب کنیم. اشتباه است، بنابراین اول
67
00:02:26,050 –> 00:02:28,780
از همه کاری که انجام می دهد خروجی تصویر زیر خط
68
00:02:28,780 –> 00:02:30,040
است که این
69
00:02:30,040 –> 00:02:33,430
متغیر خاص و سبک سازی جاده CVT را دریافت می کند، بنابراین
70
00:02:33,430 –> 00:02:35,320
استایلر در واقع روشی است که
71
00:02:35,320 –> 00:02:37,000
با استفاده از این در دسترس است، کاری که ما انجام می دهیم
72
00:02:37,000 –> 00:02:39,310
هر چیزی است که آنها به رنگ مربع سرخابی
73
00:02:39,310 –> 00:02:41,200
هستند. آن تصویر رنگی را که قرار است
74
00:02:41,200 –> 00:02:44,770
تبدیل کند و با چند پارامتر به شما نشان می دهد
75
00:02:44,770 –> 00:02:46,600
به عنوان زیرخط سیگما s
76
00:02:46,600 –> 00:02:49,239
و زیرخط سیگما R شما می توانید امتحان کنید
77
00:02:49,239 –> 00:02:50,110
من سعی می کنم
78
00:02:50,110 –> 00:02:52,090
آنچه انجام خواهم داد این است که سعی خواهم کرد کل را ارائه دهم
79
00:02:52,090 –> 00:02:56,170
کد موجود در توضیحات میتوانید
80
00:02:56,170 –> 00:02:59,200
سعی کنید بدانید اگر با مشکلی مواجه
81
00:02:59,200 –> 00:03:01,420
شدید، همیشه میتوانید آن را به ما تمام کنید یا
82
00:03:01,420 –> 00:03:04,090
میتوانید پیشنهاد دهید که در واقع چه کاری انجام میدهد،
83
00:03:04,090 –> 00:03:05,860
آن رنگ زیر خط تصویر را
84
00:03:05,860 –> 00:03:08,760
به عنوان آرگومان میگیرد و این را به آن
85
00:03:08,760 –> 00:03:11,590
منتقل میکند. این سبکسازی روش خاص است،
86
00:03:11,590 –> 00:03:13,690
بنابراین فقط به
87
00:03:13,690 –> 00:03:15,550
آن یک سبک میدهد، در واقع چگونه عمل میکند
88
00:03:15,550 –> 00:03:16,720
که
89
00:03:16,720 –> 00:03:18,010
اگر این تصویر مخصوصاً تصویر را یک رنگ زیر خط دریافت کردید، از آنجا ببینید خیلی سختتر است،
90
00:03:18,010 –> 00:03:19,780
91
00:03:19,780 –> 00:03:22,630
بنابراین در نهایت
92
00:03:22,630 –> 00:03:26,500
آن خروجی تصویر را برمیگرداند. تصویر زیر خط، بنابراین اگر
93
00:03:26,500 –> 00:03:29,739
بخواهم ببینم واقعاً این
94
00:03:29,739 –> 00:03:32,200
مرکز کاردینال چه چیزی فروخته است، اجازه میدهم
95
00:03:32,200 –> 00:03:33,760
از دریافت این تصویر خاص،
96
00:03:33,760 –> 00:03:35,739
متغیر رنگی زیرخط،
97
00:03:35,739 –> 00:03:41,530
خوب باشد، بنابراین اگر میتوانید اینجا را ببینید، من
98
00:03:41,530 –> 00:03:43,930
چند توابع دیگر را تعریف کردهام، به
99
00:03:43,930 –> 00:03:45,519
عنوان مثال، این تابع خاص را به صورت
100
00:03:45,519 –> 00:03:48,459
زنده تعریف میکند. تشخیص لبه بادامک
101
00:03:48,459 –> 00:03:50,860
زیرخط کنی در اینجا نیز
102
00:03:50,860 –> 00:03:53,380
رنگ زیر خط تصویر را به سمت راست منتقل میکنیم، بنابراین
103
00:03:53,380 –> 00:03:55,510
اگر دو متغیر
104
00:03:55,510 –> 00:03:57,850
آستانه یک را با مقادیری برای
105
00:03:57,850 –> 00:04:01,709
وحدت تعریف میکنم، میخواستم