Ilya Semenov

В данном примере рассматривается установка локальной модели Qwen 3.5 | 2b на компьютер под управлением ОС Linux, дистрибутив Ubuntu. Модель Qwen 3.5 | 2b выбрана как в целом нетребовательная по железу, даже при использовании всего 8 Гбайт оперативной памяти работает

ДалееOllama: развертывание и использование локальной модели

Пример простого скрипта на Python, который обрабатывает видео и собирает в список объекты, которые в нем распознаны. Видео разбивается на отдельные кадры с помощью библиотеки «openvc» и далее каждый кадр обрабатывается детекцией с помощью модуля «ultralytics YOLO», обнаруженные на кадре

ДалееРаспознавание объектов на видео с помощью библиотеки YOLO на Python

Данный мануал предполагает, что у вас уже зарегистрированная учетка на Яндекс Облаке, так же на нем заведен сервисный аккаунт и получен API ключ. Если нет, то сначала воспользуйтесь инструкцией для получения ключа: https://yandex.cloud/ru/docs/iam/operations/authentication/manage-api-keys#create-api-key Также советую ознакомиться со статьей о создании базового

ДалееАгент Yandex AI Studio с сохранением истории диалога, скрипт Python

Данный мануал предполагает, что у вас уже зарегистрированная учетка на Яндекс Облаке, так же на нем заведен сервисный аккаунт и получен API ключ. Если нет, то сначала воспользуйтесь инструкцией для получения ключа: https://yandex.cloud/ru/docs/iam/operations/authentication/manage-api-keys#create-api-key Для генерации аудио файла из текста можно

ДалееYandex SpeechKit: быстрый старт на Python

Данный мануал предполагает, что у вас уже зарегистрированная учетка на Яндекс Облаке, так же на нем заведен сервисный аккаунт и получен API ключ. Если нет, то сначала воспользуйтесь инструкцией для получения ключа: https://yandex.cloud/ru/docs/iam/operations/authentication/manage-api-keys#create-api-key Переходим в раздел «AI Studio» в консоли

ДалееСоздание базового агента в Yandex AI Studio и обращение к нему через Python-скрипт

Для обучения собственной модели детекции (обнаружения объектов на изображении, а точм числе их месторасположения), часто применяется следующий подход:1) Выбирается необходимый для детекции объект (это может быть, например, определенное животное, модель автомобиля и другое, что необходимо выявлять на картинке);2) Создается множество

ДалееГенерация label-файлов для обучения своей нейросетевой модели детекции с помощью библиотеки YOLO

Ссылка на блокнот в Google Colab: https://colab.research.google.com/drive/1OUZ4wyjJj5xNzzUAB8hXY_Sl6uOfKNYg?usp=sharing Скрипт позволяет произвести дообучение модели для поиска на изображениях своих объектов, для обучения необходимо собрать датасет изображений, произвести его разметку (сопоставить каждому изображению txt файл, в котором будут указаны координаты объекта для распознавания).

ДалееОбучение модели детекции YOLO на своих данных

Благодаря Python библиотеке YOLO object detection можно производить поиск различных сущностей на изображении (например, машины, велосипеды и т.д.), при этом используя минимум кода и получая результат в удобном виде. В данном примере рассмотрим простую реализацию детектора изображений, которая будет выполняться

ДалееПоиск сущностей на изображении с помощью YOLO object detection в Google Colab

Уменьшает масштаб изображения в соответствии с коэффициентом масштабирования (в примере он равен 5). В результате в указанной папке создаются уменьшенные копии загруженных изображений. Ссылка на блокнот Gooogle Colab: https://colab.research.google.com/drive/1KNdxZWPnZNbLHtvE470aDbVimnj2Ux1y?usp=sharing Сначала подключим необходимые модули: Затем мы подключаем Google Диск и указываем

ДалееПростой «ресайзер» изображений на Python с использованием Google Диска

Выполняет добавление к набору изображений следующих типов: 1) 3 дополнительных с разными углами поворота; 2) 16 с разными кадрами; 3) И 8 с разным контрастом. В общей сложности одно изображение преобразуется в набор из 28 для более полного обучения распознаванию

ДалееПростой инструмент аугментации изображений на Python с использованием Google Диска