در این مطلب، ویدئو شروع به کار با Microsoft Azure Face API در پایتون (قسمت 2: مثال ها) 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: 1:00:50
تصاویر این ویدئو:
قسمتی از زیرنویس این فیلم:
00:00:02,399 –> 00:00:04,400
درست است بنابراین در اینجا اجازه دهید من پوشه خود را راه اندازی کنم
2
00:00:04,400 –> 00:00:07,200
و می خواهم به
3
00:00:07,200 –> 00:00:11,120
پوشه محیط مجازی پایتون خود بروم
4
00:00:13,120 –> 00:00:15,120
و اینجا همه محیط های مجازی من
5
00:00:15,120 –> 00:00:17,119
برای پروژه های مختلف است،
6
00:00:17,119 –> 00:00:20,960
اکنون می خواهم ترمینال پنجره خود را درست راه اندازی کنم،
7
00:00:25,119 –> 00:00:26,880
بنابراین برای نصب یک
8
00:00:26,880 –> 00:00:28,640
محیط مجازی می خواهم
9
00:00:28,640 –> 00:00:31,840
python dash m و سپس
10
00:00:31,840 –> 00:00:34,559
ion نامگذاری شده را تایپ کنید تا به محیط داده شود و
11
00:00:34,559 –> 00:00:35,920
من می خواهم نام محیط خود را
12
00:00:35,920 –> 00:00:40,480
azure fusion بگذارم و
13
00:00:40,480 –> 00:00:43,600
oh نام ماژول را فراموش کرده ام
14
00:00:43,600 –> 00:00:47,280
دستور باید باشد python-m vmv
15
00:00:47,280 –> 00:00:49,200
مخفف محیط مجازی و سپس
16
00:00:49,200 –> 00:00:52,879
نام محیط مجازی
17
00:00:56,840 –> 00:00:59,840
oh
18
00:00:59,920 –> 00:01:01,840
یکبار است. محیط نسخه در اینجا ایجاد شده
19
00:01:01,840 –> 00:01:03,280
است اجازه دهید من وارد
20
00:01:03,280 –> 00:01:06,479
پوشه محیط مجازی خود شوم
21
00:01:11,200 –> 00:01:13,439
اکنون باید python azure sdk را نصب کنیم
22
00:01:13,439 –> 00:01:15,040
23
00:01:15,040 –> 00:01:17,119
اما ابتدا باید
24
00:01:17,119 –> 00:01:19,680
محیط را
25
00:01:20,640 –> 00:01:22,400
در اینجا فعال کنیم اجازه دهید به محیط فیلتر خود
26
00:01:22,400 –> 00:01:27,200
di3 بروم
27
00:01:27,200 –> 00:01:28,880
و محیطی را که می خواهم فعال کنم.
28
00:01:28,880 –> 00:01:31,280
اسکریپت ها را تایپ کنید
29
00:01:31,280 –> 00:01:34,720
اسلش به عقب فعال کنید
30
00:01:34,720 –> 00:01:41,840
آه باید اسکریپت هایی باشد
31
00:01:42,720 –> 00:01:44,399
که می دانید با
32
00:01:44,399 –> 00:01:45,759
دیدن
33
00:01:45,759 –> 00:01:49,040
نام محیط در ابتدا
34
00:01:49,040 –> 00:01:50,799
مانند python libr محیط شما فعال می شود. ary که باید
35
00:01:50,799 –> 00:01:52,560
36
00:01:52,560 –> 00:01:54,320
در اینجا نصب کنیم دستوراتی برای نصب
37
00:01:54,320 –> 00:01:55,759
کتابخانه ها هستند
38
00:01:55,759 –> 00:01:57,119
و من اسکریپت را در
39
00:01:57,119 –> 00:01:59,600
توضیحات زیر پست می کنم اگر بخواهم
40
00:01:59,600 –> 00:02:01,840
همه کتابخانه ها را با هم نصب کنم
41
00:02:01,840 –> 00:02:03,759
کاری که می توانیم انجام دهیم این است که می توانیم pip install را تایپ
42
00:02:03,759 –> 00:02:05,360
43
00:02:05,360 –> 00:02:08,239
کنیم سپس فقط به سادگی
44
00:02:08,239 –> 00:02:10,239
نام کتابخانه را
45
00:02:10,239 –> 00:02:12,959
یکی یکی کپی کنید
46
00:02:13,440 –> 00:02:15,760
و برای جدا کردن کتابخانه، فاصله بین هر کتابخانه درج می کنم
47
00:02:15,760 –> 00:02:16,560
48
00:02:16,560 –> 00:02:22,400
49
00:02:22,400 –> 00:02:26,560
و وارد می کنم تا کتابخانه ها کاملاً نصب شوند،
50
00:02:26,560 –> 00:02:28,239
بنابراین اینجا که به اینجا
51
00:02:28,239 –> 00:02:29,920
می رسم نمی توانم نسخه ای را پیدا کنم که
52
00:02:29,920 –> 00:02:33,360
نیاز را برآورده کند، اجازه دهید ببینم
53
00:02:33,360 –> 00:02:35,599
خوب است. اشتباه کرد، بنابراین ما
54
00:02:35,599 –> 00:02:36,480
به این سه
55
00:02:36,480 –> 00:02:41,360
کتابخانه نیاز نداریم، فقط به این یکی
56
00:02:46,720 –> 00:02:52,160
در کتابخانه پانداها و ستون نیاز داریم
57
00:03:00,879 –> 00:03:02,720
و هنگامی که همه کتابخانه ها را نصب کردیم،
58
00:03:02,720 –> 00:03:05,840
می توانیم خط فرمان را
59
00:03:07,760 –> 00:03:12,239
برای این آموزش ببندیم، من از کد I استفاده می
60
00:03:16,840 –> 00:03:19,680
61
00:03:19,680 –> 00:03:21,920
کنم. می خواهم 5 مثال را در اینجا به شما نشان دهم،
62
00:03:21,920 –> 00:03:25,360
اجازه دهید اسکریپت ها را
63
00:03:30,480 –> 00:03:32,720
برای مثال اول کپی کنم، من می خواهم
64
00:03:32,720 –> 00:03:34,000
با چیزی آسان شروع
65
00:03:34,000 –> 00:03:36,159
کنم که استفاده از Microsoft Address
66
00:03:36,159 –> 00:03:37,200
Face Api
67
00:03:37,200 –> 00:03:40,560
برای تشخیص چهره ها از تصویر برای شناسایی
68
00:03:40,560 –> 00:03:42,879
چهره ها از یک تصویر است و ما g برای مثال دوم،
69
00:03:42,879 –> 00:03:45,440
تصویر را از وب استخراج کنید
70
00:03:45,440 –> 00:03:48,159
، ما میخواهیم
71
00:03:48,159 –> 00:03:49,200
72
00:03:49,200 –> 00:03:52,959
نشانههای چهره مانند نوک بینی
73
00:03:52,959 –> 00:03:56,080
، محل موس، مکانهای گوش و چشم
74
00:03:56,080 –> 00:03:58,000
و غیره را تشخیص دهیم
75
00:03:58,000 –> 00:04:00,640
و برای مثال از آدرس
76
00:04:00,640 –> 00:04:01,599
api face
77
00:04:01,599 –> 00:04:05,360
برای حدس زدن افراد استفاده میکنیم. احساس و سن
78
00:04:05,360 –> 00:04:07,599
برای مثال چهارم، ما
79
00:04:07,599 –> 00:04:08,720
از face api استفاده می کنیم
80
00:04:08,720 –> 00:04:11,519
تا تشخیص دهیم آیا چهره ای از یک تصویر در تصاویر مختلف نشان داده می شود یا خیر
81
00:04:11,519 –> 00:04:13,680
82
00:04:13,680 –> 00:04:16,079
و برای مثال آخر، بررسی می کنیم که
83
00:04:16,079 –> 00:04:17,279
84
00:04:17,279 –> 00:04:19,519
آیا فردی در تصاویر مختلف
85
00:04:19,519 –> 00:04:20,959
همان شخص است یا
86
00:04:20,959 –> 00:04:23,600
خیر. بسیار شبیه به مثال
87
00:04:23,600 –> 00:04:24,720
شماره چهار است،
88
00:04:24,720 –> 00:04:26,800
با این تفاوت که در مثال شماره چهار،
89
00:04:26,800 –> 00:04:29,120
ابتدا بررسی می کنیم که آیا یک شخص در یک تصویر وجود دارد یا خیر،
90
00:04:29,120 –> 00:04:29,600
91
00:04:29,600 –> 00:04:32,560
این مثال، بررسی می کنیم که
92
00:04:32,560 –> 00:04:35,520
آیا دو نفر یک فرد هستند یا خیر،
93
00:04:35,520 –> 00:04:38,639
اکنون با مثال شماره یک شروع می کنیم.
94
00:04:38,639 –> 00:04:40,880
قبل از اینکه بتوانم از آدرس face api استفاده کنم، باید
95
00:04:40,880 –> 00:04:42,000
96
00:04:42,000 –> 00:04:45,440
کلید کلاینت و اطلاعات واردات را بگیرم و
97
00:04:45,440 –> 00:04:47,280
اطلاعات را در یک
98
00:04:47,280 –> 00:04:48,960
فایل json ذخیره
99
00:04:48,960 –> 00:04:51,199
کنم و همچنین به چند تصویر نیاز دارم، پس بشنوید
100
00:04:51,199 –> 00:04:56,479
که پوشه را از
101
00:04:56,479 –> 00:04:59,120
سمت راست کپی کنم تا این پنج تصویر باشند. من
102
00:04:59,120 –> 00:05:00,080
قصد دارم از s استفاده کنم
103
00:05:00,080 –> 00:05:02,800
o او یک گروه از
104
00:05:02,800 –> 00:05:03,360
105
00:05:03,360 –> 00:05:07,440
عکس های خوب تیم رویایی در این تصویر خواهد داشت ما لری برد
106
00:05:07,440 –> 00:05:07,840
107
00:05:07,840 –> 00:05:11,840
مایکل جردن و مجیک جانسون را داریم
108
00:05:11,840 –> 00:05:13,759
و من سه عکس دیگر از مایکل جردن هستم
109
00:05:13,759 –> 00:05:15,280
110
00:05:15,280 –> 00:05:17,600
و این تصویری از تیم دانکن است، بنابراین
111
00:05:17,600 –> 00:05:18,560
اینها تعدادی از
112
00:05:18,560 –> 00:05:22,800
معروف ها هستند. پخشکنندههای nba اکنون اجازه دهید به عقب برگردم،
113
00:05:22,800 –> 00:05:24,240
اجازه دهید با دستور import
114
00:05:24,240 –> 00:05:27,120
از عبارت ورودی شروع
115
00:05:27,120 –> 00:05:28,720
کنم، ماژول os را وارد
116
00:05:28,720 –> 00:05:32,240
میکنم و در اینجا اجازه دهید اندازه فونت
117
00:05:32,240 –> 00:05:35,199
ماژول i o
118
00:05:36,000 –> 00:05:38,160
را افزایش دهم و کلید api خود را بارگیری کنم.
119
00:05:38,160 –> 00:05:41,199
ماژول json را وارد کنید
120
00:05:41,199 –> 00:05:44,479
و از کتابخانه آدرس uh face api
121
00:05:44,479 –> 00:05:47,919
ما از
122
00:05:47,919 –> 00:05:53,840
سرویسهای شناختی azure da
123
00:05:54,800 –> 00:05:58,400
چهره دادههای ویژن را تایپ میکنیم و از این
124
00:05:58,400 –> 00:06:00,319
125
00:06:00,319 –> 00:06:02,639
ماژول کلاس کلاینت چهره را وارد
126
00:06:02,639 –> 00:06:04,880
127
00:06:04,880 –> 00:06:08,080
میکنیم و حساب خود را از ms rest احراز هویت میکنیم.
128
00:06:08,080 –> 00:06:14,080
خروجی احراز
129
00:06:16,800 –> 00:06:19,840
هویت برای کلاس اعتبار خدمات شناختی
130
00:06:19,840 –> 00:06:20,720
131
00:06:20,720 –> 00:06:23,039
132
00:06:29,440 –> 00:06:31,759
و برای بارگیری تصویر از وب، من
133
00:06:31,759 –> 00:06:32,720
یک کتابخانه بحران وارد می کنم
134
00:06:32,720 –> 00:06:35,840
135
00:06:36,800 –> 00:06:40,479
و برای ترسیم کادر محدود
136
00:06:40,479 –> 00:06:42,639
در یک تصویر، از
137
00:06:42,639 –> 00:06:43,520
کتابخانه
138
00:06:43,520 –> 00:06:46,720
pillows استفاده می کنم، بنابراین از pil I’m going برای وارد کردن
139
00:06:46,720 –> 00:06:47,199
تصویر
140
00:06:47,199 –> 00:06:50,240
cl کلاس ترسیم تصویر ass
141
00:06:50,240 –> 00:06:53,520
و کلاس فونت تصویر
142
00:06:53,520 –> 00:06:55,919
به من اجازه دهید ابتدا محیط خود را انتخاب کنم.
143
00:06:55,919 –> 00:06:58,319
متوجه شدم که محیط من به محیط
144
00:06:58,319 –> 00:06:59,120
145
00:06:59,120 –> 00:07:02,319
scraping وب اشاره می کند و
146
00:07:02,319 –> 00:07:04,319
محیطی که به تازگی ایجاد شده است به نام
147
00:07:04,319 –> 00:07:07,199
azure vision است،
148
00:07:07,759 –> 00:07:09,360
حالا اجازه دهید من ادامه دهم و
149
00:07:09,360 –> 00:07:12,080
ابتدا کتابخانه
150
00:07:15,680 –> 00:07:18,160
ها را وارد کنم. کلید api و آدرس وارد کننده من را بارگیری می کنم،
151
00:07:18,160 –> 00:07:20,560
152
00:07:20,560 –> 00:07:23,039
بنابراین در اینجا ابتدا فایل json را باز می کنم
153
00:07:23,039 –> 00:07:25,360
154
00:07:26,160 –> 00:07:29,639
و نام فایل باید azure cloud
155
00:07:29,639 –> 00:07:32,479
keys.json باشد سپس از
156
00:07:32,479 –> 00:07:34,880
دانلود کتابخانه jsons
157
00:07:34,880 –> 00:07:38,080
برای خواندن
158
00:07:38,080 –> 00:07:44,160
اطلاعاتی که نام می برم استفاده می کنم. اعتبار خروجیها
159
00:07:44,160 –> 00:07:49,120
سپس کلید api و نقطه پایانی را بازیابی میکنم
160
00:07:52,720 –> 00:07:59,840
161
00:08:00,319 –> 00:08:03,520
بنابراین این دو مقدار کلید api و نقطه
162
00:08:03,520 –> 00:08:07,120
پایانی فقط رشتههای متنی معمولی هستند
163
00:08:09,759 –> 00:08:12,319
و اجازه دهید ادامه دهم و بارگذاری پتانسیل
164
00:08:12,319 –> 00:08:14,720
اطلاعات
165
00:08:14,720 –> 00:08:18,400
تعریف نشده است.
166
00:08:18,400 –> 00:08:22,080
167
00:08:24,160 –> 00:08:25,440
اکنون باید لاجوردی باشد اجازه دهید من ادامه دهم و نقطه پایانی را چاپ کنم،
168
00:08:25,440 –> 00:08:27,840
169
00:08:28,000 –> 00:08:29,680
بنابراین این نقطه پایانی است که می
170
00:08:29,680 –> 00:08:31,440
خواهم به آن وصل شوم
171
00:08:31,440 –> 00:08:35,039
تا به سرویس api face وصل
172
00:08:35,039 –> 00:08:37,760
شوم، من نمی خواهم کلید api خود را برای
173
00:08:37,760 –> 00:08:38,559
174
00:08:38,559 –> 00:08:41,679
دلایل امنیتی واضح نشان دهم. n وقتی کلید api را
175
00:08:41,679 –> 00:08:43,519
در آدرس نقاط پایانی
176
00:08:43,519 –> 00:08:46,399
داشتیم، میتوانیم نمونه سرویس گیرنده face api را ایجاد کنیم،
177
00:08:46,399 –> 00:08:47,440
178
00:08:47,440 –> 00:08:51,040
نمونهها را سرویس گیرنده face نامگذاری میکنم
179
00:08:51,040 –> 00:08:53,760
و از کلاس کلاینت چهره باید
180
00:08:53,760 –> 00:08:54,640
181
00:08:54,640 –> 00:08:58,480
آدرس نقطه پایانی و کلید api را ارائه کنیم
182
00:08:58,480 –> 00:09:00,880
تا کلید api را ارسال کنیم. نمیتوانیم به سادگی
183
00:09:00,880 –> 00:09:03,120
کلید api را بهعنوان رشته ارسال
184
00:09:03,120 –> 00:09:05,360
کنیم، باید از کلاس اعتبار خدمات شناختی استفاده
185
00:09:05,360 –> 00:09:09,519
186
00:09:09,519 –> 00:09:13,120
کنیم، سپس کلید api را پاس میدهیم،
187
00:09:15,040 –> 00:09:17,519
من با موفقیت نمونه کلاینتهای چهرهام را ایجاد کردم،
188
00:09:17,519 –> 00:09:19,920
189
00:09:19,920 –> 00:09:25,360
بنابراین اگر ویژگیها را
190
00:09:25,600 –> 00:09:29,680
در ممفیس چاپ کنم و اینها روشهایی هستند
191
00:09:29,680 –> 00:09:32,080
که نمیتوانیم دسترسی داشته باشید
192
00:09:32,080 –> 00:09:34,880
و برای استفاده از سرویسهای api چهره، باید
193
00:09:34,880 –> 00:09:35,360
به
194
00:09:35,360 –> 00:09:39,600
این روش چهره اشاره کنیم،
195
00:09:40,480 –> 00:09:45,360
بنابراین در اینجا آدرس تصویر را میگیریم،
196
00:09:45,360 –> 00:09:48,160
بنابراین من به طور تصادفی مرورگر را
197
00:09:48,160 –> 00:09:49,200
بستم، بنابراین بشنوید
198
00:09:49,200 –> 00:09:52,560
که تصویرگر را در آن جایگذاری کنم، بنابراین در اینجا
199
00:09:52,560 –> 00:09:54,000
تصویر تیم رویایی را
200
00:09:54,000 –> 00:09:56,800
از من میبینیم. از سال 1992 به یاد دارم
201
00:09:56,800 –> 00:09:58,399
202
00:09:58,399 –> 00:10:02,240
اما در اینجا اجازه دهید آدرس تصویر را بگیرم
203
00:10:03,279 –> 00:10:05,120
و متغیری به نام نشانی اینترنتی تصویر ایجاد می
204
00:10:05,120 –> 00:10:07,200
205
00:10:07,200 –> 00:10:11,040
کنم و آدرس اینترنتی را به این متغیر می فرستم.
206
00:10:11,200 –> 00:10:14,720
207
00:10:14,720 –> 00:10:19,040
درسته اون
208
00:10:19,040 –> 00:10:23,760
بیایید این تصویر را با نام uh صدا
209
00:10:24,079 –> 00:10:27,440
کنیم و میتوانیم نام پایه را با استفاده از
210
00:10:27,440 –> 00:10:28,480
211
00:10:28,480 –> 00:10:31,920
تابع نام پایه نقطه os.path بگیریم و من نشانی اینترنتی تصویر را ارسال میکنم
212
00:10:31,920 –> 00:10:34,800
213
00:10:40,160 –> 00:10:43,760
اکنون میتوانم ادامه دهم و کد api را
214
00:10:43,760 –> 00:10:47,680
برای تشخیص چهرهها از این تصویر
215
00:10:47,680 –> 00:10:50,640
و درخواست api را از
216
00:10:50,640 –> 00:10:52,399
فیس کلاینت شی
217
00:10:52,399 –> 00:10:55,519
آن چهره بسازید اگر بخواهیم
218
00:10:55,519 –> 00:10:57,760
تصویری را از وب شناسایی کنیم باید از
219
00:10:57,760 –> 00:10:58,959
تشخیص
220
00:10:58,959 –> 00:11:04,079
با روش بیرون استفاده کنیم و اکنون پیوند مرجع را می گیریم،
221
00:11:04,079 –> 00:11:06,800
222
00:11:10,000 –> 00:11:13,279
اجازه دهید ابتدا پارامترها را
223
00:11:13,279 –> 00:11:16,720
از صفحه مستندات بسته چهره که
224
00:11:16,720 –> 00:11:20,959
می خواهید نگاه کنیم. برای پیمایش به عملیات
225
00:11:20,959 –> 00:11:23,760
و از بسته عملیات میخواهید
226
00:11:23,760 –> 00:11:26,640
روی عملیات چهره کلیک کنید
227
00:11:26,640 –> 00:11:29,519
و در زیر کلاس عملیات چهره،
228
00:11:29,519 –> 00:11:30,800
اینها همه روشها هستند،
229
00:11:30,800 –> 00:11:34,079
اجازه دهید به عقب برگردم،
230
00:11:34,399 –> 00:11:36,160
بنابراین این روش فاز در واقع
231
00:11:36,160 –> 00:11:38,959
به
232
00:11:38,959 –> 00:11:43,279
ماژول چهره ارجاع میدهد و میتوانید از اشتباه تایپی تبلت
233
00:11:43,279 –> 00:11:46,399
استفاده کنید.
234
00:11:46,399 –> 00:11:48,000
235
00:11:48,000 –> 00:11:51,120
اگر من روش url جزئیات را از صفحه مستندات جستجو می کنم، اکنون باید تشخیص داده شود که جدا نشده است
236
00:11:51,120 –> 00:11:52,079
237
00:11:52,079 –> 00:11:55,519
238
00:11:55,519 –> 00:11:58,880
و این
239
00:11:58,880 –> 00:12:00,800
روش چند نکته بسیار مهم است که می خواهم
240
00:12:00,800 –> 00:12:02,079
به آن اشاره کنم،
241
00:12:02,079 –> 00:12:04,560
بنابراین با استفاده از api face می توانیم تشخیص
242
00:12:04,560 –> 00:12:06,079
حداکثر 100 چهره
243
00:12:06,079 –> 00:12:09,600
در یک تصویر منفرد در صورت بر
244
00:12:09,600 –> 00:12:12,560
اساس اندازه مستطیل صورت از بزرگ خیلی کوچک رتبه بندی می شود،
245
00:12:12,560 –> 00:12:13,360
246
00:12:13,360 –> 00:12:17,279
بنابراین اساساً وقتی از face api
247
00:12:17,279 –> 00:12:19,760
برای تشخیص چهره ها از یک تصویر استفاده می
248
00:12:19,760 –> 00:12:20,639
249
00:12:20,639 –> 00:12:23,680
کنید، لیستی از شناسه های چهره و Face id
250
00:12:23,680 –> 00:12:23,920
251
00:12:23,920 –> 00:12:27,600
252
00:12:27,600 –> 00:12:29,519
از واضحترین یا در واقع نامشخصترین
253
00:12:29,519 –> 00:12:30,880
254
00:12:30,880 –> 00:12:34,320
مرحله تا کمترین تشخیص چهره سازماندهی شده است،
255
00:12:34,320 –> 00:12:38,240
زیرا برای فایل تصویری فقط فایلهای git jpeg png
256
00:12:38,240 –> 00:12:39,040
و
257
00:12:39,040 –> 00:12:42,560
فایلهای bmp پشتیبانی میشوند و اندازه فایل
258
00:12:42,560 –> 00:12:43,360
اکنون میتواند
259
00:12:43,360 –> 00:12:46,480
از 6 مگابایت فراتر رود
260
00:12:46,480 –> 00:12:48,000
و آخرین مورد من می خواهم به این نکته اشاره کنم
261
00:12:48,000 –> 00:12:51,279
که حداقل اندازه فاز قابل تشخیص
262
00:12:51,279 –> 00:12:54,959
36 در 36 پیکسل است
263
00:12:54,959 –> 00:12:57,760
و تصویر نمی تواند بزرگتر از 1920
264
00:12:57,760 –> 00:12:59,360
در 1080 باشد.
265
00:12:59,360 –> 00:13:02,160
اکنون اجازه دهید به اسکریپت پایتون برگردیم
266
00:13:02,160 –> 00:13:06,639
بنابراین از تب با روش url
267
00:13:06,639 –> 00:13:09,200
باید ابتدا منبع تصویر را پاس کنم.
268
00:13:09,200 –> 00:13:11,440
و این URL تصویر خواهد بود
269
00:13:11,440 –> 00:13:14,320
270
00:13:15,279 –> 00:13:20,480
و اجازه دهید من به مستندات
271
00:13:20,480 –> 00:13:23,760
برگردم و ما دقیقاً به روش url جزئیات می رویم
272
00:13:23,760 –> 00:13:25,519
بنابراین در اینجا اگر به پارامترها نگاه کنیم
273
00:13:25,519 –> 00:13:28,000
274
00:13:28,000 –> 00:13:30,000
اولین پارامتر URL است که
275
00:13:30,000 –> 00:13:31,920
یک فیلد ضروری است
276
00:13:31,920 –> 00:13:34,560
و سپس یک گزینه پیش فرض داریم.
277
00:13:34,560 –> 00:13:36,399
پارامترها
278
00:13:36,399 –> 00:13:38,639
بنابراین به طور پیشفرض کد درخواست را میسازیم و
279
00:13:38,639 –> 00:13:40,959
همه شناسههای چهره را
280
00:13:40,959 –> 00:13:45,040
که face api قادر به تشخیص آن است برمیگرداند،
281
00:13:45,040 –> 00:13:47,360
سپس پارامتر نشانههای چهره بازگشتی را داریم
282
00:13:47,360 –> 00:13:48,480
283
00:13:48,480 –> 00:13:51,199
و این پارامتر نشانههای چهره
284
00:13:51,199 –> 00:13:51,839
285
00:13:51,839 –> 00:13:55,120
مانند مکان گرهها، چشمها، موقعیت مکانی
286
00:13:55,120 –> 00:13:59,120
ماوس، مکانهای سال مکان را برمیگرداند. و به همین ترتیب در
287
00:13:59,120 –> 00:14:01,279
اینجا بیایید به لیست نوع ویژگی برویم،
288
00:14:01,279 –> 00:14:03,040
289
00:14:03,040 –> 00:14:05,440
بنابراین اینها همه ویژگی های موجود هستند
290
00:14:05,440 –> 00:14:07,440
که ما می توانیم
291
00:14:07,440 –> 00:14:09,519
تشخیص دهیم، بنابراین اگر می خواهید بدانید که آیا
292
00:14:09,519 –> 00:14:10,800
شخصی ماسک زده است،
293
00:14:10,800 –> 00:14:14,000
می توانیم ویژگی نوع mask را
294
00:14:14,000 –> 00:14:15,600
295
00:14:15,600 –> 00:14:18,000
در موارد دیگری مانند اگر فردی
296
00:14:18,000 –> 00:14:20,160
لبخند بزند
297
00:14:20,160 –> 00:14:23,360
لوازم جانبی سنی مانند
298
00:14:23,360 –> 00:14:27,360
گردنبند و گوشواره احساس
299
00:14:27,360 –> 00:14:29,519
نوردهی اضافی روشنایی
300
00:14:29,519 –> 00:14:30,560
تصویر است
301
00:14:30,560 –> 00:14:33,360
جنسیت موهای صورت فردی
302
00:14:33,360 –> 00:14:35,839
عینکی است
303
00:14:36,000 –> 00:14:38,160
هر چاقویی که فرد مو دارد و
304
00:14:38,160 –> 00:14:41,279
چند ویژگی دیگر
305
00:14:43,199 –> 00:14:46,000
می توانیم مدل تشخیص را نیز مشخص کنیم
306
00:14:46,000 –> 00:14:47,120
307
00:14:47,120 –> 00:14:50,160
بنابراین api صورت دارد. چهار
308
00:14:50,160 –> 00:14:52,079
مدل تشخیص مختلف
309
00:14:52,079 –> 00:14:53,600
و تفاوت بین این چهار
310
00:14:53,600 –> 00:14:55,199
مدل اساساً
311
00:14:55,199 –> 00:14:58,000
فقط یک دفاع عملکردی است که آخرین
312
00:14:58,000 –> 00:14:59,920
مدل Reco است. gnition 04
313
00:14:59,920 –> 00:15:01,600
که بهترین
314
00:15:01,600 –> 00:15:04,160
عملکرد
315
00:15:04,160 –> 00:15:07,440
تشخیص را دارد، مدلهای تشخیص مدل شناسایی نیز داریم،
316
00:15:07,440 –> 00:15:08,480
317
00:15:08,480 –> 00:15:12,639
مدلهایی هستند که قدرت تشخیص
318
00:15:12,639 –> 00:15:15,360
ویژگیهای مختلف را دارند و برای مدل تشخیص،
319
00:15:15,360 –> 00:15:16,959
ما سه مدل مختلف داریم که
320
00:15:16,959 –> 00:15:17,920
321
00:15:17,920 –> 00:15:21,279
یکی دو و سه را جدا میکنند، من
322
00:15:21,279 –> 00:15:22,160
معمولاً از
323
00:15:22,160 –> 00:15:25,519
o2 استفاده نمیکنم زیرا این کار را انجام نمیدهم. فکر می کنم o2 در این مرحله به هر
324
00:15:25,519 –> 00:15:26,000
هدفی عمل
325
00:15:26,000 –> 00:15:28,560
می کند زیرا اگر می خواهید
326
00:15:28,560 –> 00:15:30,880
هر ویژگی را شناسایی کنید
327
00:15:30,880 –> 00:15:34,160
ما فقط از 01 یا co3 استفاده می کنیم
328
00:15:34,160 –> 00:15:37,519
و تفاوت بین 01 و 02 0 است.
329
00:15:37,519 –> 00:15:40,560
330
00:15:40,560 –> 00:15:44,160
331
00:15:44,160 –> 00:15:48,079
else
332
00:15:48,079 –> 00:15:51,360
و face id time to life
333
00:15:51,360 –> 00:15:54,320
اساساً تعداد ثانیههایی است که برای Face id یا
334
00:15:54,320 –> 00:15:55,199
Face
335
00:15:55,199 –> 00:15:58,880
id ذخیره میشود و پیشفرض روی 24
336
00:15:58,880 –> 00:15:59,839
ساعت تنظیم شده است
337
00:15:59,839 –> 00:16:01,519
و من میخواهم از سه
338
00:16:01,519 –> 00:16:03,279
پارامتر آخر بگذرم،
339
00:16:03,279 –> 00:16:06,000
اجازه دهید به اسکریپت پایتون
340
00:16:06,000 –> 00:16:08,639
برگردیم. فقط میخواهم چهرهها
341
00:16:08,639 –> 00:16:11,120
را بهطور پیشفرض شناسایی کنیم، فقط باید URL تصویر را ارائه دهیم،
342
00:16:11,120 –> 00:16:12,399
343
00:16:12,399 –> 00:16:15,040
اما من دوست دارم
344
00:16:15,040 –> 00:16:15,759
از نظر
345
00:16:15,759 –> 00:16:18,800
آنچه میخواهم درخواست کنم دقیقتر باشم و به همین ترتیب
346
00:16:18,800 –> 00:16:21,920
مدل تشخیصی را که میخواهم استفاده کنم مشخص کنم.
347
00:16:21,920 –> 00:16:23,199
348
00:16:23,199 –> 00:16:25,839
از آنجایی که هدف من فقط
349
00:16:25,839 –> 00:16:26,560
350
00:16:26,560 –> 00:16:29,120
تشخیص چهره ها است، بنابراین در اینجا می خواهم از
351
00:16:29,120 –> 00:16:30,240
352
00:16:30,240 –> 00:16:33,199
مدل تشخیص co2 استفاده
353
00:16:33,920 –> 00:16:37,279
کنم که بهترین عملکرد را به من می دهد
354
00:16:37,279 –> 00:16:39,759
و برای مدل تشخیص می خواهم
355
00:16:39,759 –> 00:16:43,600
از تشخیص 0 4 استفاده
356
00:16:45,600 –> 00:16:49,279
357
00:16:49,279 –> 00:16:52,880
358
00:16:53,759 –> 00:16:56,800
کنم. من خط 23 را اجرا میکنم،
359
00:16:56,800 –> 00:17:00,000
حدس میزنم اجازه دهید آن را امتحان کنم،
360
00:17:00,000 –> 00:17:02,399
بنابراین حدس میزنم که از قبل نام تصویر و تصویر متغیرهای خود را ایجاد کردهام،
361
00:17:02,399 –> 00:17:03,040
362
00:17:03,040 –> 00:17:06,160
اگر پاسخ را چاپ کنم،
363
00:17:06,160 –> 00:17:07,839
364
00:17:07,839 –> 00:17:11,199
شی چهرهها
365
00:17:13,679 –> 00:17:15,280
را شناسایی میکند، فهرستی برمیگرداند که در آن
366
00:17:15,280 –> 00:17:17,280
همه چهرهها شناسایی میشوند
367
00:17:17,280 –> 00:17:19,359
و برای هر چهره جدا شده، لیستی برمیگردد. قرار است
368
00:17:19,359 –> 00:17:21,119
به عنوان یک
369
00:17:21,119 –> 00:17:25,280
شیء صورت جدا شده برگردد، بنابراین ابتدا میخواهم
370
00:17:25,280 –> 00:17:25,839
بفهمم
371
00:17:25,839 –> 00:17:28,640
چند نفر را در تصویر شناسایی میکنیم،
372
00:17:28,640 –> 00:17:30,160
373
00:17:30,160 –> 00:17:32,400
بنابراین در اینجا عبارت if را درج
374
00:17:32,400 –> 00:17:33,360
میکنم، میخواهم بگویم که
375
00:17:33,360 –> 00:17:36,799
اگر پاسخ نداد، چهرهها را جدا کنید
376
00:17:36,799 –> 00:17:39,280
377
00:17:42,400 –> 00:17:46,559
بنابراین من با گفتن اینکه اگر این شیء
378
00:17:46,559 –> 00:17:50,000
خالی به پایین برگردد تا
379
00:17:50,000 –> 00:17:52,559
استثنا
380
00:17:54,400 –> 00:18:01,840
را بالا ببرد و باید پاسخ
381
00:18:03,440 –> 00:18:06,000
را بکشد، دوباره گزینه پاسخ را ایجاد میکنیم،
382
00:18:06,000 –> 00:18:08,240
383
00:18:10,559 –> 00:18:13,120
بنابراین اگر پاسخ، شیء تست faces
384
00:18:13,120 –> 00:18:16,240
خالی است به
385
00:18:16,240 –> 00:18:19,440
استثنای خطر و پیام
386
00:18:19,440 –> 00:18:23,440
عدم تشخیص چهره را چاپ میکنیم.
387
00:18:24,000 –> 00:18:28,240
در غیر این صورت میخواهم پیامی را چاپ
388
00:18:28,240 –> 00:18:31,520
کنم که به من بگوید
389
00:18:32,240 –> 00:18:35,039
api چهره چند نفر را میتواند شناسایی کند، بنابراین
390
00:18:35,039 –> 00:18:36,000
391
00:18:36,000 –> 00:18:39,039
تعداد افراد
392
00:18:39,039 –> 00:18:42,240
شناسایی شده را تایپ
393
00:18:42,240 –> 00:18:44,640
394
00:18:50,320 –> 00:18:54,799
395
00:18:54,840 –> 00:18:56,559
396
00:18:56,559 –> 00:19:01,760
میکنم و شماره را دنبال میکنم، بنابراین از این لیست اجازه دهید اولین عنصری را که نام آن را میگذارم، انتخاب کنم. person person1
397
00:19:02,640 –> 00:19:05,840
و اگر از تابع vas برای
398
00:19:05,840 –> 00:19:11,840
چاپ مقادیر هر دو بعلاوه یک گزینه استفاده
399
00:19:13,440 –> 00:19:16,400
کنم، در اینجا ما شناسه چهره داریم و در
400
00:19:16,400 –> 00:19:18,240
حالی که برای مدل شناسایی شناخته می شویم،
401
00:19:18,240 –> 00:19:22,640
زیرا از
402
00:19:22,720 –> 00:19:25,280
مدل تنظیم مقدار بازگشتی پیش فرض مقدار پیش فرض
403
00:19:25,280 –> 00:19:26,480
روی false تنظیم می شود
404
00:19:26,480 –> 00:19:28,240
به این معنی که از پاسخ ما
405
00:19:28,240 –> 00:19:30,240
نمیخواهیم مدل شناسایی مورد استفاده را برگردانیم
406
00:19:30,240 –> 00:19:32,480
407
00:19:32,480 –> 00:19:34,799
و مستطیل فازی
408
00:19:34,799 –> 00:19:36,240
409
00:19:36,240 –> 00:19:39,760
گوشههای صورت جسم این شخص را به ما میدهد
410
00:19:39,760 –> 00:19:43,039
اگر یک مستطیل یک نقطهای را چاپ کنم
411
00:19:43,039 –> 00:19:43,520
در واقع
412
00:19:43,520 –> 00:19:46,720
روی مستطیل قرار دارد
413
00:19:50,240 –> 00:19:52,880
و از ویژگیها
414
00:19:52,880 –> 00:19:55,919
مقادیر هندسه مستطیل را داریم
415
00:19:55,919 –> 00:19:58,559
و با استفاده از این مقادیر را میتوانیم
416
00:19:58,559 –> 00:19:59,600
کادر مرزی را
417
00:19:59,600 –> 00:20:02,480
برای دایره کردن صورت ترسیم کنیم که همین الان به شما نشان
418
00:20:02,480 –> 00:20:04,799
419
00:20:05,039 –> 00:20:09,840
میدهیم که از این دو خط بیرون میآییم
420
00:20:11,360 –> 00:20:13,360
و برای ترسیم جعبه جایزه
421
00:20:13,360 –> 00:20:15,200
از کتابخانه بالشها استفاده میکنم.
422
00:20:15,200 –> 00:20:17,840
بنابراین در اینجا از کتابخانه بحرانی استفاده
423
00:20:17,840 –> 00:20:18,640
می
424
00:20:18,640 –> 00:20:21,840
کنیم که برای گرفتن جریان خرید
425
00:20:21,840 –> 00:20:24,480
فایل تصویری شروع می شود،
426
00:20:24,480 –> 00:20:27,919
ابتدا آدرس تصویر را پاس می کنم و پاسخ
427
00:20:27,919 –> 00:20:28,559
خروجی را نام می
428
00:20:28,559 –> 00:20:32,960
429
00:20:33,039 –> 00:20:36,080
برم، تصویر را باز کنید سپس تصویر را با استفاده از
430
00:20:36,080 –> 00:20:39,360
کلاس تصویر بالش
431
00:20:41,600 –> 00:20:44,640
i باز می کنم. من می خواهم image.open را تایپ کنم
432
00:20:44,640 –> 00:20:47,760
و می خواهم تصویر پاسخ
433
00:20:47,760 –> 00:20:48,400
حاوی
434
00:20:48,400 –> 00:20:50,880
یک سرویس توسط رشته را تبدیل کنم و در اینجا می توانید
435
00:20:50,880 –> 00:20:52,480
از ماژول i o استفاده کنید
436
00:20:52,480 –> 00:20:56,000
بایت ها i o آن محتوا را منتقل می
437
00:20:56,000 –> 00:20:58,559
کند
438
00:20:59,600 –> 00:21:02,720
و من تصویر خروجی را نام گذاری می کنم و
439
00:21:02,720 –> 00:21:05,840
ایجاد می کنم این دو شیء
440
00:21:08,240 –> 00:21:11,600
برای ترسیم کادر مرزی
441
00:21:11,600 –> 00:21:12,960
از تصویر کشیدن
442
00:21:12,960 –> 00:21:16,559
کلاس da draw
443
00:21:16,559 –> 00:21:19,840
و گزینه تصویر pillows عبور
444
00:21:19,840 –> 00:21:23,200
میکنم، خروجیها را رسم میکنم
445
00:21:25,440 –> 00:21:27,919
و برای نمایش نتیجه باید به
446
00:21:27,919 –> 00:21:29,600
شی تصویر اشاره کنم
447
00:21:29,600 –> 00:21:33,200
که همه را نشان میدهد. پس در اینجا بیایید
448
00:21:33,200 –> 00:21:37,360
کادر محدود کننده را در داخل تصویر بکشیم،
449
00:21:37,360 –> 00:21:40,240
بنابراین در اینجا من می خواهم هر چهره را
450
00:21:40,240 –> 00:21:41,520
در گزینه پاسخ
451
00:21:41,520 –> 00:21:45,120
تشخیص چهره آرایه
452
00:21:45,120 –> 00:21:48,559
کنم و این فرهنگ لغت را اینجا کپی می
453
00:21:48,559 –> 00:21:50,799
کنم
454
00:21:51,760 –> 00:21:53,520
تا بدانیم این فرهنگ لغت
455
00:21:53,520 –> 00:21:56,840
از روش مستطیل
456
00:21:56,840 –> 00:22:01,520
صورت می آید. من قصد دارم
457
00:22:02,400 –> 00:22:05,600
گزینه چهره را وارد کنم
458
00:22:05,600 –> 00:22:08,159
مستطیل
459
00:22:08,559 –> 00:22:11,600
برای برگرداندن مستطیل هندسه
460
00:22:11,600 –> 00:22:15,280
تورم را نشان میدهد و من موش خروجی
461
00:22:15,280 –> 00:22:18,400
را نام میبرم، سپس گوشههای
462
00:22:18,400 –> 00:22:19,120
463
00:22:19,120 –> 00:22:21,840
سمت چپ
464
00:22:24,080 –> 00:22:27,840
،
465
00:22:28,480 –> 00:22:30,799
چوبها
466
00:22:32,799 –> 00:22:35,440
و ارتفاعات را میگیرم
467
00:22:39,520 –> 00:22:41,520
و از آنجایی که میخواهیم یک جعبه مرزی ترسیم کنیم،
468
00:22:41,520 –> 00:22:44,320
469
00:22:44,320 –> 00:22:46,880
میروم. برای نامگذاری این به عنوان سمت راست، بنابراین
470
00:22:46,880 –> 00:22:47,840
این
471
00:22:47,840 –> 00:22:51,280
472
00:22:51,280 –> 00:22:55,520
گوشه های مقصد خواهد بود و این دکمه خواهد بود،
473
00:22:55,520 –> 00:23:00,080
بنابراین این ارتفاع به اضافه بالا
474
00:23:00,080 –> 00:23:04,320
و این خواهد بود عرض به علاوه سمت چپ،
475
00:23:04,559 –> 00:23:07,360
سپس می توانیم شی ترسیم
476
00:23:07,360 –> 00:23:09,840
مستطیل را
477
00:23:11,840 –> 00:23:14,240
در روش مستطیل وارد کنیم.
478
00:23:14,240 –> 00:23:15,600
479
00:23:15,600 –> 00:23:18,880
یک تاپل وارد کنید این
480
00:23:18,880 –> 00:23:19,840
شماره یک
481
00:23:19,840 –> 00:23:23,039
و گوشه شماره دو نامیده می شود و برای طرح کلی از
482
00:23:23,039 –> 00:23:26,559
چپ و بالا به راست
483
00:23:26,559 –> 00:23:29,280
و پایین خواهد بود
484
00:23:30,080 –> 00:23:32,559
، بنابراین این
485
00:23:32,559 –> 00:23:33,840
اساساً رنگ خطی است
486
00:23:33,840 –> 00:23:36,640
که من می خواهم از صفحه استفاده کنم و برای
487
00:23:36,640 –> 00:23:38,799
زبان
488
00:23:38,799 –> 00:23:41,919
اجازه دهید آن را تنظیم کنیم. به 5.
489
00:23:42,720 –> 00:23:47,840
حالا اگر خط 41 را تا خط 52 اجرا کنم
490
00:23:49,760 –> 00:23:52,320
و نتیجه نهایی ما باشد،
491
00:23:52,320 –> 00:23:55,440
به عنوان مثال شماره
492
00:23:56,080 –> 00:24:00,559
یک، فراموش کردم پیام را چاپ کنم
493
00:24:00,559 –> 00:24:03,120
تا face api 13 نفر را از
494
00:24:03,120 –> 00:24:05,120
این تصویر شناسایی کند،
495
00:24:05,120 –> 00:24:06,960
بنابراین فقط همه چیز برای مثال شماره
496
00:24:06,960 –> 00:24:08,240
یک
497
00:24:08,240 –> 00:24:11,520
اکنون اجازه دهید من این عکس را ببندید
498
00:24:13,360 –> 00:24:16,159
و ما به مثال شماره دو
499
00:24:16,159 –> 00:24:18,000
می رویم، برای مثال شماره دو، ما می
500
00:24:18,000 –> 00:24:20,880
خواهیم چهره ها را از یک تصویر باز داریم و
501
00:24:20,880 –> 00:24:22,320
این بار از فایل محلی استفاده می کنیم،
502
00:24:22,320 –> 00:24:24,159
503
00:24:24,159 –> 00:24:27,440
بنابراین در اینجا اجازه دهید به سادگی
504
00:24:27,440 –> 00:24:31,039
وارد کردن را انجام دهم. بیانیه من فقط روی
505
00:24:31,039 –> 00:24:33,840
همه نمونه ها کپی می
506
00:24:36,080 –> 00:24:38,320
کنم و به مثال شماره یک
507
00:24:38,320 –> 00:24:39,919
برمی گردم و
508
00:24:39,919 –> 00:24:43,279
بیانیه آدرس اینترنتی دقیق را می گیرم
509
00:24:44,400 –> 00:24:47,679
510
00:24:47,679 –> 00:24:50,559
و همچنین بیانیه های ایجاد مشتری چهره
511
00:24:55,600 –> 00:25:01,840
را می گیرم، بنابراین این را درست در اینجا قرار می دهم.
512
00:25:03,600 –> 00:25:07,919
برای استفاده از یک فایل محلی،
513
00:25:07,919 –> 00:25:11,440
باید از روش detect with
514
00:25:11,440 –> 00:25:14,799
string استفاده کنیم،
515
00:25:14,799 –> 00:25:18,320
به جز اینکه تصویر،
516
00:25:18,320 –> 00:25:21,600
تصویر را به صورت باینری ارسال می کند، بنابراین در اینجا بیایید
517
00:25:21,600 –> 00:25:23,279
نگاهی بیندازیم،
518
00:25:23,279 –> 00:25:26,320
بنابراین به پوشه تصویر خود بازگردیم
519
00:25:26,320 –> 00:25:29,760
و از فایل jpeg گروه 1 استفاده می کنم
520
00:25:29,760 –> 00:25:32,640
521
00:25:33,039 –> 00:25:36,960
و بیایید این فایل تصویری را صدا کنیم،
522
00:25:41,520 –> 00:25:43,919
و من فراموش کردم فایل را به صورت
523
00:25:43,919 –> 00:25:46,480
باینری
524
00:25:51,279 –> 00:25:54,840
باز کنم، بنابراین از جزئیات با روش رشته،
525
00:25:54,840 –> 00:25:56,880
526
00:25:56,880 –> 00:26:00,480
گزینه image file را به پارامتر تصویر منتقل
527
00:26:00,480 –> 00:26:03,039
می
528
00:26:03,279 –> 00:26:05,600
کنیم، همه چیز یکسان باقی می ماند به جز
529
00:26:05,600 –> 00:26:07,200
اینکه ما می