🆕️ مدل o3-mini ، رتبه برتر در کدنویسی

✅ مدل o3-mini از OpenAI اخیراً در یک چالش کدنویسی، DeepSeek R1 را پشت سر گذاشت. موضوع چالش این بود:
"یک برنامه پایتون بنویسید که یک توپ را درون یک شش‌ضلعی چرخان نمایش دهد. توپ باید تحت تأثیر جاذبه و اصطکاک قرار گیرد و به صورت واقعی از دیواره‌های چرخان بجهد."

✅ مدل o3-mini، دومین مدل "استدلال‌گر" OpenAI است که برای تجزیه و تحلیل، تفکر و اصلاح پاسخ‌ها قبل از ارائه، زمان بیشتری صرف می‌کند. این ویژگی‌ها باعث می‌شود که o3-mini بتواند نتایج دقیق‌تر و بهتری ارائه دهد.
🆔️ telegram channel:
https://t.me/Intellimage
#programming
#python

🅿️ دوره پایتون

✅ قسمت ۱۹ پردازش تصویر در #پایتون

✅ حاشیه‌نویسی تصاویر و بهبود کیفیت تصاویر

۱. حاشیه‌نویسی تصاویر

حاشیه‌نویسی تصاویر یک مهارت کلیدی در کار با داده‌های بصری است و در اینجا به چند تکنیک برای ویرایش و برچسب‌گذاری تصاویر اشاره میکنیم:

- کشیدن خطوط: اضافه کردن خطوط صاف و ساده برای برجسته کردن نواحی یا مسیرهای خاص در یک تصویر.

- کشیدن دایره‌ها: ضروری برای علامت‌گذاری اشیای مورد نظر یا تعریف نواحی درون یک تصویر.

- کشیدن مستطیل‌ها: ایجاد جعبه‌های محدودکننده برای حاشیه‌نویسی یا برجسته کردن بخش‌های خاص تصویر.

- اضافه کردن متن: نوشتن متن به‌منظور توصیف یا برچسب‌گذاری بخش‌های مختلف تصویر.

۲. بهبود کیفیت تصاویر

تکنیک‌های مختلف بهبود کیفیت تصاویر درجهت  افزایش کیفیت و وضوح تصاویر :

- عملیات ریاضی: بررسی قدرت جمع و ضرب ساده برای تنظیم روشنایی، کنتراست و وضوح تصویر.

- آستانه‌گذاری و ماسک‌گذاری: تکنیک‌هایی برای تقسیم‌بندی تصاویر، ایزوله کردن نواحی خاص و تأکید بر ویژگی‌های خاص.

- عملیات بیتی: کسب insight در مورد عملیات منطقی (AND، OR، XOR) برای ترکیب یا تغییر تصاویر در سطح پیکسل.

🆔️ telegram channel:
https://t.me/Intellimage
#image_processing
#programming
#python

🔗فایل آموزش پایتون

🔰 قسمت ۲۰ پردازش تصویر در #پایتون :

✔ آموزش بخشی از ابزارها و کتابخانه ها

✅ PIL/Pillow : عملیات پایه و فیلترها

✅ OpenCV : بینایی ماشین و تشخیص ویژگی‌ها

✅ scikit-image : آنالیز علمی تصویر

✅ Matplotlib : تجسم داده‌ها و هیستوگرام‌ها

✅ NumPy : عملیات آرایه‌ای روی تصاویر

✅ ImageIO : پشتیبانی از فرمت‌های چندگانه

🆔️ telegram channel:
https://t.me/Intellimage
#image_processing
#python

✅ قسمت ۲۱ پردازش تصویر در #پایتون

📚 #پروژه ی پردازش ویدئو با OpenCV

🆔️ telegram channel:
https://t.me/Intellimage
#image_processing
#programming
#python

📉 با #پایتون جهان را از دریچه داده‌ها ببینید!

🔍 یکی از پرکاربردترین حوزه‌های آن؟ پردازش تصویر :)

⚪ در بسیاری از کسب‌وکارها و پروژه‌ها، داده‌های تصویری ارزشمند نادیده گرفته می‌شوند، چون تیم‌ها فکر می‌کنند یادگیری و پیاده‌سازی پردازش تصویر دشوار و زمان‌بر است.

⚪ با پایتون، حتی بدون سخت‌افزار پیچیده یا دانش عمیق، می‌توان تصاویر را خواند ، ویرایش و تحلیل کرد.
اشیاء را شناسایی و ردیابی کرد و سیستم‌های هوشمند مبتنی بر بینایی ماشین ساخت.
🆔️telegram channel:
https://t.me/Intellimage
#image_processing
#python

🖇 معرفی #کتاب

📚 OPENCV | Python for Computer Vision.pdf

• این کتاب به معرفی و آموزش کتابخانه OpenCV برای پردازش تصویر و بینایی ماشین با استفاده از زبان برنامه‌نویسی پایتون می‌پردازد و برای افرادی که به یادگیری تکنیک‌های پردازش تصویر و توسعه برنامه‌های بینایی کامپیوتری علاقه‌مند هستند، بسیار مفید است و شامل مثال‌ها و پروژه‌های عملی می باشد.

🆔️ telegram channel:
https://t.me/Intellimage
#image_processing
#computer_vision
#python
#book

▶️ آموزش #پایتون

✅ قسمت۲۲ پردازش دیتا با #پایتون

🖇ابزار Pydicom !

◇• یک ابزار کوچک اما قدرتمند برای هر کسی که در دنیای پزشکی و پردازش تصویر کار می‌کند!

◇• اگر با تصاویر پزشکی مثل MRI، CT یا X-ray کار می‌کنید، حتماً با فرمت DICOM آشنا هستید.

◇• ابزار Pydicom یک کتابخانه‌ی Python است که به شما اجازه می‌دهد فایل‌های DICOM را خوانده، ویرایش و ذخیره کنید، بدون اینکه نیاز به نرم‌افزار سنگین باشد!

◇• با Pydicom می‌توانید:

• اطلاعات بیمار و ویژگی‌های تصویر را بخوانید.
• تصاویر را برای پردازش یا تحلیل آماده کنید.
• به راحتی با کتابخانه‌های پردازش تصویر مثل OpenCV یا NumPy ترکیب کنید.

+ برای نمونه :

import pydicom

# Load a DICOM file
ds = pydicom.dcmread('./MIDEL-CT.dcm')

# Access important information elements
patient_name = ds.PatientName
patient_id = ds.PatientID
study_date = ds.StudyDate
study_time = ds.StudyTime
modality = ds.Modality

# Print the information elements
print(f'Patient Name: {patient_name}')
print(f'Patient ID: {patient_id}')
print(f'Study Date: {study_date}')
print(f'Study Time: {study_time}')
print(f'Modality: {modality}')

🆔️ telegram channel:
https://t.me/Intellimage
#image_processing
#python

✅ قسمت ۲۳ پردازش دیتا با #پایتون

📊 ساخت Dataset در PyTorch

▫️در پروژه‌های پردازش تصویر، مخصوصاً در یادگیری عمیق، مدیریت داده‌ها اهمیت زیادی دارد.

▫️معمولا برای ساخت Dataset سه متد زیر را پیاده‌سازی می‌کنیم:

* init →transforms دریافت مسیر داده‌ها و تعریف

* getitem →خواندن تصویر و برگرداندن
(image, label)

* len → تعداد کل نمونه‌ها


▫️این ساختار پایه‌ای‌ترین و استانداردترین روش برای کار با دیتاست‌های تصویری در پروژه‌های بینایی ماشین است.

+ در پست بعد یک نمونه دیتاست را بااین روش اجرا می‌کنیم.

باماهمراه باشید ✨
🆔️ telegram channel:
https://t.me/Intellimage
#image_processing
#python

🔗 ساخت Dataset در PyTorch

📃 به منظور اجرای آموزش پست قبل ، به عنوان مثال برای تشخیص پنومونیا، به یک دیتاست تصاویر پزشکی (Chest X-ray) نیاز داریم؛هر تصویر فقط یکی از دو برچسب را دارد: سالم یا مبتلا به پنومونیا.

from typing import List, Dict
import monai
from torch.utils.data import Dataset

class PneumoniaDataset(Dataset):
    definit(self, data: List[Dict], transform: monai.transforms.Compose = None) -> None:
        #Initializes the dataset with data and optional transformations.
        self.data = data
        self.transform = transform

    defgetitem(self, idx: int) -> Dict:
        #Fetches an item by index, applies transformations if any, and returns it.
        item = self.data[idx]
        if self.transform:
            item = self.transform(item)
        return item

    deflen(self) -> int:
        #Returns the length of the dataset.
        return len(self.data)

🆔️telegram channel:
https://t.me/Intellimage
#image_processing
#python

📉 پردازش دیتا با ماژول CSV

▪︎با استفاده از ماژول csv در پایتون، می‌توانید فایل‌های مختلف را بخوانید و داده‌ها را به راحتی پردازش کنید. این ماژول به شما این امکان را می‌دهد تا هر سطر از فایل را به صورت یک دیکشنری یا یک لیست بخوانید، این کار دسترسی و مدیریت داده‌ها را بسیار ساده‌تر می‌کند.
نمونه کد:

import csv
csv_mapping_list = [ ]
with open("path") as my_data:
    csv_reader = csv.reader(my_data, delimiter=",")
    line_count = 0
    for line in csv_reader:
        if line_count == 0:
            header = line
        else:
            row_dict = {key: value for key, value in zip(header, line)}
            csv_mapping_list.append(row_dict)
   line_count += 1
 #+OpenCV_olc

🆔️ telegram channel:
https://t.me/Intellimage
#image_processing
#python