Kompyuterli ko'rish texnologiyalarining asosiy qismlari quyidagilardir
Download 32.54 Kb.
|
New Microsoft Word Document
|
1111111111111111111 Kompyuterli ko'rish texnologiyalari, kompyuterlarga obyektlarni tasavvur qilish, aniqlash va tahlil qilishni o'rgatish uchun ishlatiladigan texnologiyalardir. Bu texnologiyalar, kompyuterlar uchun mas'ul bo'lgan vazifalarni bajarishda, sensorni, kamera va boshqa qurilmalar orqali tasvir, ma'lumot va axborotlarni o'qish va tushunish imkoniyatini yaratishga yordam beradi. Kompyuterli ko'rish texnologiyalarining asosiy qismlari quyidagilardir: 1. Tasvir qilish (Computer Vision): Tasvir qilish, kompyuterlarning optik sensorlar, kamera va boshqa qurilmalar orqali tasvirlarni o'qish va tushunish imkonini beruvchi texnologiyadur. Bu texnologiya, kompyuterlarga obyektlarni tanish va tasniflash, yuzlarni aniqlash, obyektlarning joylashuvini aniqlash kabi vazifalarni bajarishda yordam beradi. Tasvir qilish (Computer Vision) texnologiyasi, kompyuterlarni tasvirlarni tushunish va aniqlashda yordam beruvchi bir qator usullarni o'z ichiga oladi. Quyidagi 5 ta asosiy vazifalarni o'z ichiga oladi: Obekt aniqlash (Object Detection): Tasvir qilish, kompyuterlarga tasvirdagi obyektlarni aniqlash va ularga bog'liq ma'lumotlarni olish imkonini beradi. Bu vazifa o'yinlarda obyektlarni tanishlash, avtomobillarni, odamlarni, mevalarni kuzatish, xaritada joylashgan obyektlarni belgilash kabi bir qator misollar uchun foydalaniladi. Tasvir tasnifi (Image Classification): Tasvir qilish, kompyuterlarga tasvirlarni turli kategoriyalarga tasniflash imkonini beradi. Masalan, kompyuterlarga rasmga qo'yilgan obyektni "kot" yoki "it" deb tasniflash, mevalarni turli turdagi mevalarga ajratish kabi vazifalar bu qatorga kiradi. Yuz aniqlash (Face Recognition): Tasvir qilish, kompyuterlarga yuzlarni aniqlash va ularga bog'liq ma'lumotlarni olishni o'rganish imkonini beradi. Bu vazifa, foto albomlarida odamlarni aniqlash, identifikatsiya tizimlarida yuzni tanishlash, suratli avtomobillarda sotuv agentlarining mijozlarini tanishlash kabi jarayonlarda foydalaniladi. Joylashuv aniqlash (Location Detection): Tasvir qilish, kompyuterlarga tasvirning qaysi joyda olinganligini aniqlash imkonini beradi. Bu vazifa, GPS ma'lumotlari, yozuvli ishoralar, binolar va ko'chalar, xaritalar va turli sensorlar yordamida tasvirning joylashuvini aniqlash uchun foydalaniladi. Semantik tahlil (Semantic Analysis): Tasvir qilish, tasvirlar tarkibidagi ma'lumotlarni tahlil qilish imkonini beradi. Bu vazifa, tasvirlarni turli ob'ektlar va kontekstga asoslangan ma'lumotlar bo'yicha tahlil qilish, ob'ektlar orasidagi aloqani tushunish, tasvirdagi tarkibiy ob'ektlarni aniqlash uchun foydalaniladi. Tasvir qilish texnologiyalari, bir nechta sohalarda foydalaniladi, jumladan o'qish, turli sohalarni avtomatlashtirish, tashqi asboblar monitoringi, tibbiyot, avtomobil sanoati, sayohat va transport sohasi. 2. O'rtiqcha Realitet (Augmented Reality, AR): O'rtiqcha Realitet, real dunyoni kompyuter yoki mobil qurilmalar orqali kengaytirib, 3D grafikalar va virtual obyektlarni qo'shish orqali o'zgartirib chiqaruvchi texnologiyadir. Bu texnologiya, kamera orqali olgan tasvirlarni aniqlash va ular ustida grafikalar yoki ma'lumotlar chizish orqali foydalanuvchilarga interaktiv tajribani taqdim etishda qo'llaniladi. O'rtiqcha Realitet (Augmented Reality, AR) texnologiyasi, real dunyoni kompyuter yoki mobil qurilmalar orqali kengaytirib, 3D grafikalar va virtual obyektlarni qo'shish orqali o'zgartirib chiqaruvchi texnologiyadur. AR, real va virtual dunyo orasidagi chegaralarini yo'q qiladi va foydalanuvchilarga interaktiv tajribani taqdim etadi. AR texnologiyasi quyidagi qadamga asoslangan bo'ladi: Sensorlar va kamera: AR o'rniga keladigan qurilmalar (smartfonlar, tabletka, smart glasses) kamera va boshqa sensorlarga ega bo'lishi kerak. Kamera orqali real dunyo tasviri olindi va boshqa sensorlar (kompas, GPS, giro, akkumulyator holati, yorug'lik sensorlari) yordamida qurilma xaritadagi joylashuvni aniqlaydi. O'rtiqcha Realitet platformalari: AR texnologiyasini ishga tushirish uchun platformalar (masalan, ARCore (Android) va ARKit (iOS)) foydalaniladi. Bu platformalar, kamera orqali olgan tasvirni, o'rtiqcha realitet obyektlarini aniqlash, joylashuvni va qo'llanuvchiga taqdim etishni amalga oshirishda yordam beradi. Obyektlarning tasviri va tanishuv: AR dasturlarida virtual obyektlar, 3D grafikalar, animatsiyalar yoki ma'lumotlar real dunyo tasviri ustida joylashadi. Tasvir qilish va obyektlarni tanish va tasniflash texnologiyalari (Computer Vision) foydalaniladi, shuningdek, qurilma sensorlari yordamida qurilmaning holatini va joylashuvini aniqlash imkoniyati mavjud. Interaktivlik va ta'lim: AR, foydalanuvchilarga interaktiv tajribani taqdim etadi. Virtual obyektlarni real dunyoga joylash va ularga murojaat qilish, ular bilan boshqarish, ma'lumotlarni ko'rsatish, animatsiyalar, multimedia tajribalarni namoyish etish imkonini beradi. AR texnologiyasi, ta'lim sohasida interaktiv darslar, ma'lumotlar tushunchalari, turli sohalardagi treninglar va ko'rsatuvlar uchun keng qo'llaniladi. Ko'rsatish va ushbuqo'l (Annotation and Collaboration): AR texnologiyasi, real dunyoni belgilab o'qish, qo'llanuvchilarga yo'l tarixi, ma'lumotlar va ko'rsatishlar bilan yordam beradi. Ushbuqo'l, oddiy rasm, matn yoki animatsiya shaklida tasvirlarni belgilab o'qishni, foydalanuvchilarga to'g'ridan-to'g'ri joylashuv va nazorat qilishni ta'minlaydi. O'rtiqcha Realitet, turli sohalarda qo'llaniladi, masalan: - Marketing va reklama: Mahsulotlarni o'rtiqcha realitet orqali namoyish etish, potensial sotuvni oshirish va mijozlarni tortishda foydalaniladi. - Ta'lim va o'qitish: Interaktiv darslar, o'quv materiallari va laboratoriya tajribalari orqali o'quvchilarga yanada ma'naviyatli ta'lim tajribasi beriladi. - Tashqi sanoat: Komponentlarni o'rnatish va tashqi texnikani ta'mirlash jarayonlarida, texnik xizmatlarning ko'rsatilishi va texnik ko'mak uchun foydalaniladi. - Tibbiyot: Tibbiyot sohasida o'rtiqcha realitet, jahon bo'ylab tanqidlangan tajribani taqdim etish, tibbiyot o'qitish va ta'lim jarayonlarini yaxshilash uchun ishlatiladi. O'rtiqcha Realitet, foydalanuvchilarga real va virtual dunyo orasida yuqori darajada intuitiv bog'lanish yaratishda muhim ahamiyatga ega bo'lgan texnologiyadir. 3. O'rtiqcha Realitetga qo'shimcha (Mixed Reality, MR): O'rtiqcha Realitetga qo'shimcha, haqiqiy dunyoni virtual obyektlar bilan bir-biriga bog'langan holatda ko'rsatuvchi texnologiyadur. Bu texnologiya, real va virtual obyektlarni bir-biriga bog'lab o'tkazish orqali o'zaro aloqani yaratishda foydalaniladi. MR texnologiyasi quyidagi turlarga bo'linadi: Haqiqiy Virtual Realitet (Augmented Virtuality, AV): Bu holatda asosiy tashkilot dunyosi virtual bo'lib, haqiqiy dunyo virtual obyektlar bilan qo'shilgan holatda ko'rsatiladi. Bunda foydalanuvchi haqiqiy dunyo bilan bog'liq bo'lishi kerak bo'lgan asosiy muhitda joylashadi, lekin unga qo'shimcha virtual obyektlar kiritilgan bo'ladi. Haqiqiy O'rtiqcha Realitet (Augmented Mixed Reality, AMR): Bu holatda haqiqiy dunyo va virtual dunyo bir-biriga bog'langan holatda ko'rsatiladi. Foydalanuvchi real dunyo bilan bog'liq bo'lishi kerak bo'lgan asosiy muhitda joylashadi, lekin unga qo'shimcha virtual obyektlar va funksiyalar kiritilgan bo'ladi. Virtual Realitetga qo'shimcha (Mixed Virtual Reality, MVR): Bu holatda asosiy tashkilot dunyosi virtual obyektlar bilan to'laqonlangan holatda ko'rsatiladi. Foydalanuvchi virtual dunyo bilan bog'liq bo'lishi kerak bo'lgan asosiy muhitda joylashadi, lekin unga qo'shimcha haqiqiy dunyo obyektlari kiritilgan bo'ladi. MR texnologiyasi, o'rtiqcha tajribani taqdim etishda yuqori darajada interaktivlik va bog'lanish imkonini beradi. Bu texnologiya turli sohalarda foydalaniladi, masalan: - Kasb-hunar: San'atkorlar, dizaynerlar va arxitektorlar o'rtiqcha realitetdan foydalanib, 3D model va prototiplarni ko'rsatish, ishlayotgan mahsulotlarni tasavvur qilish, o'zgartirish va optimallashtirish imkoniyatiga ega bo'ladi. - Ta'lim: O'rtiqcha realitet, o'quvchilarga interaktiv ta'lim tajribasi taqdim etishda foydalaniladi. Virtual labaratoriyalar, o'quv dasturlari, tarixiy yo'l hujjatlari o'rtiqcha realitet yordamida o'quvchilarga yanada ma'naviyatli va amaliy ta'lim imkoniyatini beradi. - Biznes: O'rtiqcha realitet, biznes sohasida ish joylari va tashqi muhitni tasavvur qilish, ma'lumotlarni namoyish etish, ko'rsatkichlarni hisoblash va tahlil qilishda foydalaniladi. - Tibbiyot: O'rtiqcha realitet, tibbiyot sohasida amaliyot, trening va o'quv tajribalarini yaxshilashda ishlatiladi. Daktarlarga real va virtual ma'lumotlar, jismoniy modellar, amaliyatchilik qo'llanmalari kiritilishi mumkin. - Yashash joylari va mehmonxonalarda: O'rtiqcha realitet, restoranlarda, mehmonxonalarda va turli yashash joylarida interaktiv tajribani taqdim etishda foydalaniladi. Menyular, xizmatlarni buyurtma berish, ko'rsatkichlar va ko'rsatuvlar o'rtiqcha realitet yordamida taqdim etilishi mumkin. O'rtiqcha Realitetga qo'shimcha (Mixed Reality, MR) texnologiyasi, haqiqiy dunyo va virtual obyektlarning bir-biriga bog'langan holatda ko'rsatilishi va foydalanish imkonini beradi. Bu texnologiya turli sohalarda innovatsion yechimlar taqdim etishda va foydalanuvchilarga interaktiv tajribani oshirishda keng qo'llaniladi. 4. Keshlash va tahlil (Pattern Recognition and Analysis): Keshlash va tahlil, kompyuterlarga belgilangan saboqlarni aniqlash, axborotni o'qish, o'zgarishlarni tasniflash va umumiy tahlil qilish uchun mo'ljallangan texnologiyadadir. Bu texnologiya, obyektlarni tanish va ulardagi saboqlarni aniqlash, ma'lumotlardan ma'lumot olish, obyektlar va holatlarning modellari va xususiyatlari bilan ishlashda qo'llaniladi. Keshlash va tahlilning asosiy qismlari quyidagilardir: 1. Saboq keshlash (Pattern Recognition): Saboq keshlash, belgilangan saboqlarni aniqlash va o'zgarishlarni tanishlashga yo'l qo'yuvchi texnologiyalarni o'z ichiga oladi. Saboq keshlashning muhim qismlari shunlardir: - Belgilash (Detection): Obyektlarni tanishlash uchun belgilash jarayonidir. Kompyuterlarga, rasm, video, audio, matn yoki boshqa axborot shakllari orqali obyektlarni aniqlash imkonini beradi. - Tasniflash (Classification): Aniq obyektlarni turli klasslarga bo'lish va ulardan foydalanish imkonini beradi. Statistik analiz, ma'lumot omborlari, ma'lumotlar tahlili va boshqa algoritmlar tasniflashni amalga oshirish uchun ishlatiladi. - Tarjima (Translation): Boshqa tilda yoki belgida yozilgan matnni, rasmni yoki boshqa axborotni o'qish va uni boshqa tildagi yoki formatdagi axborotga o'girish imkonini beradi. 2. Ma'lumot analizi (Data Analysis): Ma'lumot analizi, ma'lumotlar omborlaridagi ma'lumotlarni tahlil qilish va ulardan ma'noli nazorat chiqarishni o'z ichiga oladi. Bu maqsadda quyidagilardan foydalaniladi: - Statistik analiz: Ma'lumotlar to'plamining tartib va tahlilini o'rganish, tartiblarni aniqlash, o'zgarishlarni aniqlash, ma'lumotlar orasidagi bog'lovchilarni aniqlash kabi jarayonlarni o'z ichiga oladi. - Mashina o'rganish (Machine Learning): Kompyuter modellari yaratish va ularga ma'lumotlarni o'rganishni o'rgatish orqali ma'lumotlardagi tartib va qonuniyatni aniqlash imkonini beradi. - Boshqaruv (Management): Ma'lumotlar omborlaridagi ma'lumotlarni tahlil qilish va boshqarish orqali sifatli ma'lumotlardan foydalanish imkonini beradi. Keshlash va tahlil, turli sohalarda foydalaniladi, masalan: - Ma'lumotlar tahlili: Biznes analitikasi, marketing, moliyaviy tahlil, sezilarli tahlil va boshqa sohalarda ma'lumotlar tahlili keshlash va tahlil texnologiyalaridan foydalaniladi. - Tasvir ma'lumotlari: Kompyuterli ko'rish, meditsina, robotika, transport va xavfsizlik sohalarida tasvir ma'lumotlari keshlash va tahlil qilish imkonini beradi. - Avtomatikani: Avtomobillar, fabrikalar, Internet of Things (IoT) qurilmalari kabi sohalarda avtomatik tizimlarni boshqarish va tahlil qilishda keshlash va tahlil texnologiyalaridan foydalaniladi. Keshlash va tahlil, ma'lumotlar orasidagi saboqlarni aniqlash, ma'lumotlarni tahlil qilish va obyektlarni boshqarishda muhim bir vazifani bajaradi. Bu texnologiyalar yuqori darajada avtomatlashtirish, nazorat qilish va ma'lumotlardan ma'no olish imkonini beradi. 5. So'zni tushunish (Speech Recognition): So'zni tushunish, kompyuterlarga ovozni aniqlash va uni ma'nosi bo'yicha tahlil qilish imkonini beruvchi texnologiyadadir. Bu texnologiya, ovoz bilan amalga oshiriladigan buyruqlarni, so'zlarni va gaplarni kompyuter tushunish uchun ishlatiladi. Bu, avtomobillarni boshqarish tizimlari, ovozli interfeyslar va qo'llanuvchiga qulaylik yaratish uchun keng qo'llaniladi. So'zni tushunishning asosiy qismlari quyidagilardir: 1. Ovozni tanishlash (Speech Recognition): Ovozni tanishlash, ovoz signalini matnga aylantirish va uni tushunish uchun algoritmlardan foydalanish jarayonidir. Ovozni tanishlashning muhim qismlari quyidagilardir: - Ovoz signalining turli xususiyatlarni izlash va aniqlash. - Signalni amplituda va chastotadagi o'zgarishlarni qayta ishlash va belgilash. - Ovoz signalini so'zlar va gaplarga ajratib olish. - So'zlar va gaplar bilan bog'liq bo'lgan ma'lumotlarni ma'noga aylantirish. 2. Ma'noni tahlil qilish (Speech Analysis): Ma'noni tahlil qilish, ovozli so'zlar va gaplar bilan bog'liq bo'lgan ma'lumotlarni tahlil qilish va uni ma'nosi bo'yicha nazorat qilish jarayonidir. Ma'noni tahlil qilishning muhim qismlari quyidagilardir: - Grammatik va sintaksis tahlili: So'zlar va gaplar tartibini, grammatik qoidalarini va ma'noli tahlillarni aniqlash. - Ma'noli ma'lumotlarni tahlil qilish: Ma'noli tahlillarni amalga oshirish va ulardan ma'no olish. - So'zlar va gaplar bilan bog'liq bo'lgan ma'lumotlarni ma'noga aylantirish. - Tarjima: Boshqa tilda yoki belgida yozilgan matnni, ovozga aylantirish va uni ovozdan matnga aylantirish. So'zni tushunish texnologiyasi, avtomobillarni boshqarish tizimlari, ovozli interfeyslar, so'zga javob beruvchi qurilmalar, robotlar va qo'llanuvchiga qulaylik yaratish uchun keng qo'llaniladi. U foydalanuvchilarga ovoz bilan interaksiya qilish imkonini beradi va kompyuterlarni ovoz buyruqlarini tushunish va amalga oshirishda ishlatishni mumkin qiladi. Kompyuterli ko'rish texnologiyalari, katta ma'lumotlarni, ma'lumotlarni ishlashni va obyektlarni boshqarishni kompyuterlarga o'rgatishni osonlashtiradi. Ushbu texnologiyalar, mashinalarning o'rganish va ma'lumotlarni tahlil qilish qobiliyatini oshirish, avtomatlashtirish va turli sohalarda ish o'rniga keladigan tadbirlarni tezkor va to'liq bajarishda katta ahamiyatga ega. 1.22222222222222222 Sinovalarga asoslangan mexanikalar (Deep Learning), kompleks muammolarni hal qilish uchun ko'p qatlamli sun'iy neyron tarmoqlarini ishlatuvchi texnologiyalardir. Bu texnologiya, Sun'iy Intellektning bir turi bo'lib, ma'lumotlardan avtomatik ravishda o'rganish va ta'lim olishga asoslanadi. Deep Learning texnologiyasi quyidagi asosiy xususiyatlarga ega: 1. Ko'p qatlamli sun'iy neyron tarmoqlari (Deep Neural Networks): Deep Learning sinovlari, ko'p qatlamli sun'iy neyron tarmoqlari yordamida amalga oshiriladi. Bu tarmoqlar o'z ichiga bir nechta qatlamlardan iborat bo'lib, har bir qatlamda ko'p neyronlardan foydalanadi. Har bir neyron, kirish ma'lumotlari olish, ularni o'zaro bog'lash va natijalarni chiqarish uchun ularga xususiy imkoniyatlarni beradi. Sun'iy neyron tarmoq - bu biologik neyron tarmoqlarning funktsiyalariga joylashtirilgan tizim. Bu biologik asab tizimining simulyatsiyasi. Sun'iy neyron tarmoqlarning xususiyati shundaki, bir nechta tuzilmalar mavjud bo'lib, ular algoritmlarning bir nechta yondashuvlarini talab qiladi, ammo murakkab tizim bo'lishidan qat'i nazar, neyron tarmoq oson. Ushbu tarmoqlar direktorning asboblar qutisidagi maxsus signalni qayta ishlash fanlari orasida. Kosmos juda fanlararo, ammo bu texnika ko'rinishni muhandislik nuqtai nazaridan cheklaydi. Muhandislikda neyron tarmoqlar naqsh tasniflagichlari va chiziqli bo'lmagan adaptiv filtrlar sifatida ikkita muhim funktsiyani ishlab chiqaradi. Sun'iy neyron tarmoq dinamik bo'lib, u ma'lumotlardan funktsiyani (kirish / chiqish xaritasi) bajarishni o'rganadigan chiziqli bo'lmagan tizimni ta'minlaydi. Adaptiv tizim parametrlarining ish paytida o'zgarishini bildiradi, bu ko'pincha o'quv bosqichi deb ataladi. O'quv bosqichidan so'ng sun'iy neyron tarmoq parametrlari o'rnatiladi va tizim mavjud muammoni hal qilishni boshlaydi (sinov bosqichi). Sun'iy neyron tarmoq ishlash testini yaxshilash yoki odatda o'rganish qoidasi sifatida tavsiflangan ba'zi aniq ichki cheklovlarga rioya qilish uchun tizimli bosqichma-bosqich protsedura bilan ishlab chiqariladi. Kirish/chiqish o'quv ma'lumotlari neyron tarmoq texnologiyasida muhim ahamiyatga ega, chunki ular optimal ish nuqtasini "topish" uchun muhim yozuvni yuboradilar. Neyron tarmoqlarni qayta ishlash elementlarining (PE) chiziqli bo'lmagan xususiyatlari tizimga deyarli bir nechta kerakli kirish/chiqish xaritalarini olish uchun bir nechta moslashish imkoniyatlarini beradi, ya'ni ba'zi sun'iy neyron tarmoqlar keng xarita ishlab chiqaruvchilari hisoblanadi. Kirish neyron tarmoqqa ko'rsatiladi va chiqishda bir xil kerakli yoki fokusli javob o'rnatiladi (bu usul bo'lsa, trening nazorat ostida deb ataladi). Xato, olingan javob va tizim chiqishi o'rtasidagi farqdan iborat. Ushbu xato yozuvi tizimga qaytariladi va tizim parametrlarini (o'rganish qoidasi) doimiy ravishda boshqaradi. Jarayon samarali bo'lgunga qadar takrorlanadi. Ushbu ko'rinishdan xoli, unumdorlik ma'lumotlarga juda bog'liq. Tarmoq belgi funksiyasidan tashqari faollashtirish funksiyalaridan foydalanishi mumkin. Chiziqli, sigmasimon (logistik) va giperbolik tangens funktsiyalari kabi bir nechta faollashtirish funktsiyalari mavjud. Ushbu faollashtirish funktsiyalari yashirin va chiqish tugunlariga kirish parametrlarida chiziqli bo'lmagan chiqish qiymatlarini yaratishga imkon beradi. Ushbu murakkabliklar ko'p qatlamli neyron tarmoqlarga kirish va chiqish o'zgaruvchilari o'rtasidagi yanada murakkab munosabatlarni modellashtirishga imkon beradi. ANNning chiqishi sigmasimon yoki tanh funksiyasi kabi faollashtirish funktsiyalarining ajoyibligi tufayli uning parametrlarining chiziqli bo'lmagan funktsiyasidir. Shunga ko'ra, w uchun universal optimal deb tasdiqlangan yechimni olish endi oddiy emas. 2. O'z-o'zidan ta'lim (Automatic Learning): Deep Learning modellarida o'z-o'zidan ta'lim asosida ma'lumotlar o'rganiladi. Bu modellar, katta miqdordagi ma'lumotlarni ta'lim olib borish bilan ma'lumotlarni o'z-o'zidan tahlil qilish va o'ziga xos nuqtai nazarlardan o'rganish imkonini beradi. Modellar ma'lumotlardan o'rgangan bilim va qoidalar asosida yangi ma'lumotlarni tahlil qila olishadi. 3. Tahlil kuchini oshirish: Deep Learning modellarining bir xususiyati, tahlil kuchining yuqori darajada oshirilishi hisoblanadi. Bu modellar o'zaro bog'langan neyron tarmoqlaridan foydalanish bilan kompleks va kontekstli muammolarni hal qila olishadi. Misol uchun, obrazlarni aniqlash, rasm o'zgartirish, ovozni tanishlash, gaplarni tarjima qilish kabi vazifalarni bajarishda yuqori darajada yaxshi natijalar beradi. Deep Learning texnologiyalari, ko'p miqdordagi ma'lumotlar bilan ishlash, o'z-o'zidan ta'lim asosida o'rganish va kompleks muammolarni hal qilishda kuchli vositalar hisoblanadi. Ular kompyuterlarga yuqori darajada intellektual imkoniyatlar beradi va turli sohalarda muammolar yechishda muhim bir vazifani bajaradi. Download 32.54 Kb. Do'stlaringiz bilan baham: 
|