Maxammadjonov Murodjonning it/Mutaxassislik tanlov fani
Download 0.59 Mb.
|
2 651 20 Maxammadjonv M Timsollarni tanib olish tizimlari
- Bu sahifa navigatsiya:
- Amaliy mashg’ulot
|
Amaliy mashg’ulot
Mavzu: Yuzning old qismini tanib olish Yuzning old qismini tanib olish uchun ham OpenCV kutubxonasidan foydalanamiz. Quyidagi kod orqali sizga yordam berishim mumkin: ```python import cv2 # Yuzning old qismini tanib olish uchun funktsiya def detect_frontal_face(image_path): # Haqiqiy rasmni yuklash image = cv2.imread(image_path) # Yuzni qorachig'i uchun pre-trained modelni yuklash face_cascade = cv2.CascadeClassifier(cv2.data.haarcascades + 'haarcascade_frontalface_default.xml') # Rasmni oqish uchun ko'rsatkichlarni olish gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY) # Yuzni qorachig'i aniqlash faces = face_cascade.detectMultiScale(gray, scaleFactor=1.1, minNeighbors=5, minSize=(30, 30)) # Eng yuqori yuzni aniqlash max_area = 0 max_face = None for (x, y, w, h) in faces: if w * h > max_area: max_area = w * h max_face = (x, y, w, h) # Eng yuqori yuzni markalash if max_face is not None: (x, y, w, h) = max_face cv2.rectangle(image, (x, y), (x+w, y+h), (0, 255, 0), 3) # Natijani ko'rsatish cv2.imshow('Detected Face', image) cv2.waitKey(0) cv2.destroyAllWindows() # Rasm faylini ko'rsatish image_path = 'rasm.jpg' # Yuzning old qismini tanib olish funktsiyasini chaqirish detect_frontal_face(image_path) ``` Ushbu kod rasm faylini o'qiydi va yuzning old qismini aniqlaydi. Eng yuqori yuzni markalaydi va natijani ko'rsatadi. Sizga rasm faylini `image_path` o'zgartirib, kodni ishga tushirishingiz mumkin. Amaliy mashg’ulot Mavzu: Yuzning old qismini tanib olishda neyron tarmoq Yuzning old qismini tanib olish uchun neyron tarmoq dasturi sifatida "dlib" kutubxonasidan foydalanish mumkin. Dlib kutubxonasini o'rnatish uchun quyidagi komandani ishga tushiring: ```
``` Keyin quyidagi kod orqali yuzning old qismini tanib olish dasturini yaratishingiz mumkin: ```python import dlib import cv2 # Yuzning old qismini tanib olish uchun funktsiya def detect_frontal_face(image_path): # Haqiqiy rasmni yuklash image = cv2.imread(image_path) # Yuzni qorachig'i uchun pre-trained modelni yuklash face_detector = dlib.get_frontal_face_detector() # Rasmni oqish uchun ko'rsatkichlarni olish gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY) # Yuzlarni aniqlash faces = face_detector(gray) # Eng yuqori yuzni aniqlash max_area = 0 max_face = None for face in faces: x, y, w, h = face.left(), face.top(), face.width(), face.height() if w * h > max_area: max_area = w * h max_face = (x, y, w, h) # Eng yuqori yuzni markalash if max_face is not None: (x, y, w, h) = max_face cv2.rectangle(image, (x, y), (x+w, y+h), (0, 255, 0), 3) # Natijani ko'rsatish cv2.imshow('Detected Face', image) cv2.waitKey(0) cv2.destroyAllWindows() # Rasm faylini ko'rsatish image_path = 'rasm.jpg' # Yuzning old qismini tanib olish funktsiyasini chaqirish detect_frontal_face(image_path) ``` Ushbu kod rasm faylini o'qiydi va yuzning old qismini aniqlaydi. Eng yuqori yuzni markalaydi va natijani ko'rsatadi. Sizga rasm faylini `image_path` o'zgartirib, kodni ishga tushirishingiz mumkin. Dlib kutubxonasini o'rnatishdan oldin `pip install dlib` komandasini ishga tushirishingizni unutmang. Neyron tarmoqning kaskadli modelini Python tilida yaratish uchun OpenCV kutubxonasidan foydalanamiz. Kaskadli model, ko'zni qorachig'i uchun pre-trained XML fayllaridan foydalanadi. Quyidagi kod orqali sizga yordam berishim mumkin: ```python import cv2 # Kaskadli model orqali ko'zni qorachig'i aniqlash uchun funktsiya def detect_eyes(image_path): # Haqiqiy rasmni yuklash image = cv2.imread(image_path) # Ko'zni qorachig'i uchun pre-trained modelni yuklash eye_cascade = cv2.CascadeClassifier(cv2.data.haarcascades + 'haarcascade_eye.xml') # Rasmni oqish uchun ko'rsatkichlarni olish gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY) # Ko'zni qorachig'ini aniqlash eyes = eye_cascade.detectMultiScale(gray, scaleFactor=1.1, minNeighbors=5, minSize=(30, 30)) # Har bir ko'zni qorachig'ini markalash for (x, y, w, h) in eyes: cv2.rectangle(image, (x, y), (x+w, y+h), (0, 255, 0), 3) # Natijani ko'rsatish cv2.imshow('Detected Eyes', image) cv2.waitKey(0) cv2.destroyAllWindows() # Rasm faylini ko'rsatish image_path = 'rasm.jpg' # Kaskadli model orqali ko'zni qorachig'ini aniqlash funktsiyasini chaqirish detect_eyes(image_path) ``` Ushbu kod rasm faylini o'qiydi va ko'zni qorachig'ini aniqlaydi. Aniqlangan ko'zni qorachig'ini markalaydi va natijani ko'rsatadi. Sizga rasm faylini `image_path` o'zgartirib, kodni ishga tushirishingiz mumkin. Rasm faylini o'zgartirib, kodni ishga tushirishingiz mumkin. Siluetni baholash va klasterlash sifatini baholash uchun Python tilida "scikit-learn" kutubxonasidan foydalanish mumkin. Bu kutubxona, ma'lumotlarni tahlil qilish, baholash va klasterlash uchun bir qator algoritmlarni o'z ichiga oladi. Quyidagi kod orqali sizga yordam berishim mumkin: ```python import numpy as np import matplotlib.pyplot as plt from sklearn.metrics import silhouette_score from sklearn.cluster import KMeans # Siluetni baholash va klasterlash sifatini baholash uchun funktsiya def evaluate_clustering(X, n_clusters): # Klasterlash algoritmini yaratish va bajarish kmeans = KMeans(n_clusters=n_clusters) labels = kmeans.fit_predict(X) # Siluetni baholash silhouette_avg = silhouette_score(X, labels) print("Silhouette Score:", silhouette_avg) # Klasterlarni vizualizatsiya qilish plt.scatter(X[:, 0], X[:, 1], c=labels) plt.title("Clustered Data") plt.show() # Ma'lumotlarni yaratish X = np.random.rand(100, 2) # Siluetni baholash va klasterlash sifatini baholash funktsiyasini chaqirish evaluate_clustering(X, n_clusters=3) ``` Ushbu kod ma'lumotlarni yaratadi, klasterlash algoritmini bajaradi va siluetni baholaydi. Natijada, siluet qiymati va klasterlarni vizualizatsiya qiladi. Sizga ma'lumotlarni `X` o'zgartirib, klasterlar sonini (`n_clusters`) ham o'zgartirishingiz mumkin. Ma'lumotlarni o'zgartirib, kodni ishga tushirishingiz mumkin. Download 0.59 Mb. Do'stlaringiz bilan baham: 
|