👩💻 Langfun (https://github.com/google/langfun) — это библиотека с открытым исходным кодом, разработанная Google.
В ней используется объектно-ориентированное программирование (ООП) для взаимодействия с LLM моделями, что упрощает создание и управление запросами через объекты и типы
🌟 Langfun поддерживает популярные LLM, такие как GPT, Claude и Llama, и легкоинтегрируется в Python-проекты.
Простота использования и мощный функционал делают библиотеку полезным инструментом для разработки ИИ-агентов и работы с большими языковыми моделями
🔐 Лицензия: Apache-2.0
▪️Github (https://github.com/google/langfun)
@pythonl (http://t.me/pythonl)
@Pythonnewsone
В ней используется объектно-ориентированное программирование (ООП) для взаимодействия с LLM моделями, что упрощает создание и управление запросами через объекты и типы
🌟 Langfun поддерживает популярные LLM, такие как GPT, Claude и Llama, и легкоинтегрируется в Python-проекты.
Простота использования и мощный функционал делают библиотеку полезным инструментом для разработки ИИ-агентов и работы с большими языковыми моделями
🔐 Лицензия: Apache-2.0
▪️Github (https://github.com/google/langfun)
@pythonl (http://t.me/pythonl)
@Pythonnewsone
👩💻 Пет-проект (https://www.youtube.com/watch?v=gBfkX9H3szQ) на Python за 50 минут. Курс по FastAPI для начинающих (2024)
💡 В видео рассматривается создание простого проекта на Python с использованием FastAPI. Обсуждаются основные концепции, такие как маршрутизация, обработка запросов и использование зависимости. Программа охватывает создание RESTful API, работу с параметрами, развертывание приложения через Docker а также интеграцию с базой данных. Также приведены советы по развертыванию приложения и тестированию. Это видео подходит для начинающих, желающих быстро освоить FastAPI
🕞 Продолжительность: 50:00
🇷🇺 Видео на русском языке!
🔗 Ссылка: *клик* (https://www.youtube.com/watch?v=gBfkX9H3szQ)
#курс #python #docker #fastapi
freecourses (https://t.me/+rKBQEMccAA01MTcy)
@Pythonnewsone
💡 В видео рассматривается создание простого проекта на Python с использованием FastAPI. Обсуждаются основные концепции, такие как маршрутизация, обработка запросов и использование зависимости. Программа охватывает создание RESTful API, работу с параметрами, развертывание приложения через Docker а также интеграцию с базой данных. Также приведены советы по развертыванию приложения и тестированию. Это видео подходит для начинающих, желающих быстро освоить FastAPI
🕞 Продолжительность: 50:00
🇷🇺 Видео на русском языке!
🔗 Ссылка: *клик* (https://www.youtube.com/watch?v=gBfkX9H3szQ)
#курс #python #docker #fastapi
freecourses (https://t.me/+rKBQEMccAA01MTcy)
@Pythonnewsone
This media is not supported in your browser
VIEW IN TELEGRAM
🔥 НОВИНКА: Вышла модель преобразования текста/изображения в видео с открытым исходным кодом - лицензия MIT - конкуренты Gen-3, Pika & Kling 🔥
> Pyramid Flow: эффективный для обучения метод авторегрессивной генерации видео.
> Обучается на наборах данных с открытым исходным кодом
> Генерирует высококачественные 10-секундные видеоролики
> Разрешение видео: 768p
> Частота кадров: 24 кадр/с
> Поддерживает генерацию изображений в видео
> Доступна на HF 🤗
https://huggingface.co/rain1011/pyramid-flow-sd3
@data_analysis_ml
@Pythonnewsone
> Pyramid Flow: эффективный для обучения метод авторегрессивной генерации видео.
> Обучается на наборах данных с открытым исходным кодом
> Генерирует высококачественные 10-секундные видеоролики
> Разрешение видео: 768p
> Частота кадров: 24 кадр/с
> Поддерживает генерацию изображений в видео
> Доступна на HF 🤗
https://huggingface.co/rain1011/pyramid-flow-sd3
@data_analysis_ml
@Pythonnewsone
🔥 Опубликован язык программирования Julia 1.11
Опубликован релиз языка программирования Julia 1.11, сочетающего такие качества как высокая производительность, поддержка динамической типизации и встроенные средства для параллельного программирования. Синтаксис Julia близок к MATLAB с заимствованием некоторых элементов из Ruby и Lisp. Метод манипуляции строками напоминает Perl. Код проекта распространяется под лицензией MIT.
Ключевые особенности языка:
- Высокая производительность: одной из ключевых целей проекта является достижение производительности близкой к программам на языке Си. Компилятор Julia основан на наработках проекта LLVM и генерирует эффективный нативный машинный код для многих целевых платформ;
- Поддержка различных парадигм программирования, включая элементы объектно-ориентированного и функционального программирования. Стандартная библиотека предоставляет в том числе функции для асинхронного ввода/вывода, управления процессами, ведения логов, профилирования и управления пакетами;
- Динамическая типизация: язык не требует явного определения типов для переменных по аналогии со скриптовыми языками программирования. Поддерживается интерактивный режим работы;
- Опциональная возможность явного указания типов;
- Синтаксис, превосходно подходящий для численных вычислений, научных расчётов, систем машинного обучения и визуализации данных. Поддержка многих числовых типов данных и средств для распараллеливания вычислений.
- Возможность прямого вызова функций из библиотек на языке Си без дополнительных прослоек.
https://julialang.org/blog/2024/10/julia-1.11-highlights/
@Pythonnewsone
https://julialang.org/blog/2024/10/julia-1.11-highlights/
Опубликован релиз языка программирования Julia 1.11, сочетающего такие качества как высокая производительность, поддержка динамической типизации и встроенные средства для параллельного программирования. Синтаксис Julia близок к MATLAB с заимствованием некоторых элементов из Ruby и Lisp. Метод манипуляции строками напоминает Perl. Код проекта распространяется под лицензией MIT.
Ключевые особенности языка:
- Высокая производительность: одной из ключевых целей проекта является достижение производительности близкой к программам на языке Си. Компилятор Julia основан на наработках проекта LLVM и генерирует эффективный нативный машинный код для многих целевых платформ;
- Поддержка различных парадигм программирования, включая элементы объектно-ориентированного и функционального программирования. Стандартная библиотека предоставляет в том числе функции для асинхронного ввода/вывода, управления процессами, ведения логов, профилирования и управления пакетами;
- Динамическая типизация: язык не требует явного определения типов для переменных по аналогии со скриптовыми языками программирования. Поддерживается интерактивный режим работы;
- Опциональная возможность явного указания типов;
- Синтаксис, превосходно подходящий для численных вычислений, научных расчётов, систем машинного обучения и визуализации данных. Поддержка многих числовых типов данных и средств для распараллеливания вычислений.
- Возможность прямого вызова функций из библиотек на языке Си без дополнительных прослоек.
https://julialang.org/blog/2024/10/julia-1.11-highlights/
@Pythonnewsone
https://julialang.org/blog/2024/10/julia-1.11-highlights/
julialang.org
Julia 1.11 Highlights
Highlights of the Julia 1.11 release.
💡 Все, что нужно знать о Сron jobs в Linux
Cron Jobs — мощный инструмент, который помогает автоматизировать повторяющиеся задачи и процессы, высвобождая время и ресурсы для достижения более важных целей. Этот планировщик заданий позволяет создавать, редактировать и удалять задачи, выполняемые автоматически в назначенное время, с определенной периодичностью или по заданному расписанию.
@linuxacademiya
@Pythonnewsone
Cron Jobs — мощный инструмент, который помогает автоматизировать повторяющиеся задачи и процессы, высвобождая время и ресурсы для достижения более важных целей. Этот планировщик заданий позволяет создавать, редактировать и удалять задачи, выполняемые автоматически в назначенное время, с определенной периодичностью или по заданному расписанию.
@linuxacademiya
@Pythonnewsone
🌟 CogVideoX Factory: оптимизация файнтюна моделей генерации видео семейства CogVideoX.
CogVideoX Factory (https://github.com/a-r-r-o-w/cogvideox-factory) - репозиторий с набором скриптов для эффективного файнтюна моделей семейства CogVideoX (https://t.me/ai_machinelearning_big_data/5301)(CogVideoX-2B и CogVideoX-5B) с фокусом на оптимизацию VRAM. CogVideoX Factory позволяет выполнять обучение на GPU с 24 GB.
Проект предоставляет гибкость в выборе между LoRA и файнтюном всей модели для задач "text-to-video" и "IMG-to-video".
Чтобы сделать возможным файнтюн на ограниченных ресурсах, CogVideoX использует методы оптимизации:
🟢CPUOffloadOptimizer - перемещает обучаемые параметры и градиенты модели в CPU, освобождая память GPU для других операций;
🟢DeepSpeed Zero2 - распределяет параметры модели по нескольким GPU, что позволяет обучать большие модели, которые иначе не поместились бы в память одного GPU;
🟢LoRA - метод тонкой настройки, который изменяет только небольшое подмножество параметров модели, сохраняя при этом основную часть весов неизменной.
CogVideoX Factory предлагает сценарии обучения:
🟠LoRA для "text-to-video": cкрипт <code>train_text_to_video_lora.sh</code>;
🟠LoRA для "IMG-to-video": cкрипт <code>train_image_to_video_lora.sh</code>;
🟠SFT всей модели для "text-to-video": скрипт <code>train_text_to_video_sft.sh</code>.
⚠️ Предварительная подготовка данных - один из важнейших условий CogVideoX Factory. Скрипт <code>prepare_dataset.py</code> играет ключевую роль в этом процессе, преобразуя видео и аннотации в латенты и эмбединги. Использование предварительно вычисленных латентов и эмбедингов позволяет не загружать VAE и T5 во время обучения.
CogVideoX Factory предлагает подробную документацию, в которой объясняются шаги по подготовке датасетов (https://github.com/a-r-r-o-w/cogvideox-factory?tab=readme-ov-file#dataset-preparation), настройке параметров обучения (https://github.com/a-r-r-o-w/cogvideox-factory?tab=readme-ov-file#training), запуску инференса (https://github.com/a-r-r-o-w/cogvideox-factory?tab=readme-ov-file#quickstart), информацию о требованиях к памяти (https://github.com/a-r-r-o-w/cogvideox-factory?tab=readme-ov-file#memory-requirements) для каждой модели и конфигурации, помогая принять корректные решения о выборе стратегии обучения.
📌Лицензирование : Apache 2.0 License.
🖥Github (https://github.com/a-r-r-o-w/cogvideox-factory)
@ai_machinelearning_big_data
#AI #ML #LoRA #T2V #IMG2V #Finetune
@Pythonnewsone
CogVideoX Factory (https://github.com/a-r-r-o-w/cogvideox-factory) - репозиторий с набором скриптов для эффективного файнтюна моделей семейства CogVideoX (https://t.me/ai_machinelearning_big_data/5301)(CogVideoX-2B и CogVideoX-5B) с фокусом на оптимизацию VRAM. CogVideoX Factory позволяет выполнять обучение на GPU с 24 GB.
Проект предоставляет гибкость в выборе между LoRA и файнтюном всей модели для задач "text-to-video" и "IMG-to-video".
Чтобы сделать возможным файнтюн на ограниченных ресурсах, CogVideoX использует методы оптимизации:
🟢CPUOffloadOptimizer - перемещает обучаемые параметры и градиенты модели в CPU, освобождая память GPU для других операций;
🟢DeepSpeed Zero2 - распределяет параметры модели по нескольким GPU, что позволяет обучать большие модели, которые иначе не поместились бы в память одного GPU;
🟢LoRA - метод тонкой настройки, который изменяет только небольшое подмножество параметров модели, сохраняя при этом основную часть весов неизменной.
CogVideoX Factory предлагает сценарии обучения:
🟠LoRA для "text-to-video": cкрипт <code>train_text_to_video_lora.sh</code>;
🟠LoRA для "IMG-to-video": cкрипт <code>train_image_to_video_lora.sh</code>;
🟠SFT всей модели для "text-to-video": скрипт <code>train_text_to_video_sft.sh</code>.
⚠️ Предварительная подготовка данных - один из важнейших условий CogVideoX Factory. Скрипт <code>prepare_dataset.py</code> играет ключевую роль в этом процессе, преобразуя видео и аннотации в латенты и эмбединги. Использование предварительно вычисленных латентов и эмбедингов позволяет не загружать VAE и T5 во время обучения.
CogVideoX Factory предлагает подробную документацию, в которой объясняются шаги по подготовке датасетов (https://github.com/a-r-r-o-w/cogvideox-factory?tab=readme-ov-file#dataset-preparation), настройке параметров обучения (https://github.com/a-r-r-o-w/cogvideox-factory?tab=readme-ov-file#training), запуску инференса (https://github.com/a-r-r-o-w/cogvideox-factory?tab=readme-ov-file#quickstart), информацию о требованиях к памяти (https://github.com/a-r-r-o-w/cogvideox-factory?tab=readme-ov-file#memory-requirements) для каждой модели и конфигурации, помогая принять корректные решения о выборе стратегии обучения.
📌Лицензирование : Apache 2.0 License.
🖥Github (https://github.com/a-r-r-o-w/cogvideox-factory)
@ai_machinelearning_big_data
#AI #ML #LoRA #T2V #IMG2V #Finetune
@Pythonnewsone
GitHub
GitHub - a-r-r-o-w/finetrainers: Memory-optimized training scripts for video models based on Diffusers
Memory-optimized training scripts for video models based on Diffusers - a-r-r-o-w/finetrainers
👩💻 Поиск аккаунтов в социальных сетях по юзернейму с библиотекой Sherlock!
💡 Sherlock (https://github.com/sherlock-project/sherlock) - алгоритм, написанный на Python проверяющий наличие учётной записи в социальных сетях по заданному никнейму пользователя
Алгоритм быстро проверяет множество сайтов, что позволяет, не теряя много времени, найти аккаунты под определенной учетной.
Инструмент производит поиск по более чем 300 сайтов (https://github.com/sherlock-project/sherlock/blob/master/sites.md) социальных сетей и проверяет, зарегистрирован ли там пользователь с указанным ником.
Установка: git clone https://github.com/sherlock-project/sherlock.git
🔗 Читать статью: *клик* (https://morioh.com/a/00b8776c0a81/find-social-media-accounts-by-username-using-python)
🔗 Github (https://github.com/sherlock-project/sherlock)
@pythonl
@Pythonnewsone
💡 Sherlock (https://github.com/sherlock-project/sherlock) - алгоритм, написанный на Python проверяющий наличие учётной записи в социальных сетях по заданному никнейму пользователя
Алгоритм быстро проверяет множество сайтов, что позволяет, не теряя много времени, найти аккаунты под определенной учетной.
Инструмент производит поиск по более чем 300 сайтов (https://github.com/sherlock-project/sherlock/blob/master/sites.md) социальных сетей и проверяет, зарегистрирован ли там пользователь с указанным ником.
Установка: git clone https://github.com/sherlock-project/sherlock.git
🔗 Читать статью: *клик* (https://morioh.com/a/00b8776c0a81/find-social-media-accounts-by-username-using-python)
🔗 Github (https://github.com/sherlock-project/sherlock)
@pythonl
@Pythonnewsone
Существует несколько технологий, которые можно использовать для передачи данных между PHP и Python. Вот несколько примеров:
REST API: REST (Representational State Transfer) - это архитектурный стиль, который используется для создания веб-служб. Вы можете создавать REST API с помощью PHP или Python, а затем использовать их для обмена данными между этими языками программирования. Для этого вам нужно будет определить эндпоинты и методы (GET, POST, PUT, DELETE и т. д.), которые будут использоваться для обмена данными.
JSON: JSON (JavaScript Object Notation) - это формат обмена данными, который широко используется в веб-разработке. Вы можете использовать JSON для передачи данных между PHP и Python. Для этого вам нужно будет сериализовать данные в JSON-формат с помощью PHP или Python, а затем десериализовать их на противоположной стороне.
SOAP: SOAP (Simple Object Access Protocol) - это протокол, который используется для обмена данными между веб-службами. Вы можете создавать SOAP-сервисы с помощью PHP или Python и использовать их для обмена данными между этими языками программирования. Для этого вам нужно будет определить веб-службу и методы, которые будут использоваться для обмена данными.
AMQP: AMQP (Advanced Message Queuing Protocol) - это протокол, который используется для передачи сообщений в режиме реального времени. Вы можете использовать AMQP для передачи данных между PHP и Python с помощью брокера сообщений, такого как RabbitMQ или Apache Qpid.
WebSockets: WebSockets - это протокол, который позволяет устанавливать двустороннее соединение между клиентом и сервером. Вы можете использовать WebSockets для передачи данных между PHP и Python в режиме реального времени. Для этого вам нужно будет установить соединение между PHP и Python с помощью WebSocket-сервера, такого как Ratchet для PHP илиwebsockets для Python.
При выборе технологии для передачи данных между PHP и Python вам нужно будет учитывать такие факторы, как безопасность, производительность, масштабируемость и простота использования. Также важно учитывать, какие библиотеки и инструменты доступны для каждого языка программирования и как они могут быть интегрированы в ваше приложение.
@Pythonnewsone
REST API: REST (Representational State Transfer) - это архитектурный стиль, который используется для создания веб-служб. Вы можете создавать REST API с помощью PHP или Python, а затем использовать их для обмена данными между этими языками программирования. Для этого вам нужно будет определить эндпоинты и методы (GET, POST, PUT, DELETE и т. д.), которые будут использоваться для обмена данными.
JSON: JSON (JavaScript Object Notation) - это формат обмена данными, который широко используется в веб-разработке. Вы можете использовать JSON для передачи данных между PHP и Python. Для этого вам нужно будет сериализовать данные в JSON-формат с помощью PHP или Python, а затем десериализовать их на противоположной стороне.
SOAP: SOAP (Simple Object Access Protocol) - это протокол, который используется для обмена данными между веб-службами. Вы можете создавать SOAP-сервисы с помощью PHP или Python и использовать их для обмена данными между этими языками программирования. Для этого вам нужно будет определить веб-службу и методы, которые будут использоваться для обмена данными.
AMQP: AMQP (Advanced Message Queuing Protocol) - это протокол, который используется для передачи сообщений в режиме реального времени. Вы можете использовать AMQP для передачи данных между PHP и Python с помощью брокера сообщений, такого как RabbitMQ или Apache Qpid.
WebSockets: WebSockets - это протокол, который позволяет устанавливать двустороннее соединение между клиентом и сервером. Вы можете использовать WebSockets для передачи данных между PHP и Python в режиме реального времени. Для этого вам нужно будет установить соединение между PHP и Python с помощью WebSocket-сервера, такого как Ratchet для PHP илиwebsockets для Python.
При выборе технологии для передачи данных между PHP и Python вам нужно будет учитывать такие факторы, как безопасность, производительность, масштабируемость и простота использования. Также важно учитывать, какие библиотеки и инструменты доступны для каждого языка программирования и как они могут быть интегрированы в ваше приложение.
@Pythonnewsone
👩💻 Machina (https://github.com/PsyChip/machina) — система видеонаблюдения с использованием OpenCV, YOLO и LLAVA для обработки видео в реальном времени.
🌟 Система захватывает поток RTSP, выполняет детекцию объектов с помощью YOLO и тегирует их через LLAVA.
Проект находится в процессе активной разработке, и его целью является создание полноценной системы безопасности, использующей современные модели компьютерного зрения и обнаружения объектов.
▪️Github (https://github.com/PsyChip/machina)
@pythonl
@Pythonnewsone
🌟 Система захватывает поток RTSP, выполняет детекцию объектов с помощью YOLO и тегирует их через LLAVA.
Проект находится в процессе активной разработке, и его целью является создание полноценной системы безопасности, использующей современные модели компьютерного зрения и обнаружения объектов.
▪️Github (https://github.com/PsyChip/machina)
@pythonl
@Pythonnewsone
Master_SQL.pdf.pdf
754.9 KB
Большая шпаргалка по SQL — внутри ждёт всё, от основных команд до продвинутых фишек, вроде оконных функций.
— Основные команды SQL;
— SOL Joins;
— SQL Unions, Intersect, Except;
— Временные таблицы SQL, таблицы просмотра, CTE;
— Ранги SQL.
Сохраняйте себе, чтобы не потерять.
@Pythonnewsone
— Основные команды SQL;
— SOL Joins;
— SQL Unions, Intersect, Except;
— Временные таблицы SQL, таблицы просмотра, CTE;
— Ранги SQL.
Сохраняйте себе, чтобы не потерять.
@Pythonnewsone
👩💻 Python PyQt5 за один час! (2024)
🌟 PyQt позволяет разрабатывать кроссплатформенные приложения с современными интерфейсами на Python, обеспечивая доступ к обширным возможностям Qt для работы с окнами, кнопками, текстовыми полями, графикой и другими элементами GUI.
С этим курсом вы обучитесь работе с PyQt в максимально короткие сроки!
🔗 Ссылка: *клик* (https://www.youtube.com/watch?v=92zx_U9Nzf4)
#курс #python #pyqt
@pythonl
@Pythonnewsone
🌟 PyQt позволяет разрабатывать кроссплатформенные приложения с современными интерфейсами на Python, обеспечивая доступ к обширным возможностям Qt для работы с окнами, кнопками, текстовыми полями, графикой и другими элементами GUI.
С этим курсом вы обучитесь работе с PyQt в максимально короткие сроки!
🔗 Ссылка: *клик* (https://www.youtube.com/watch?v=92zx_U9Nzf4)
#курс #python #pyqt
@pythonl
@Pythonnewsone
👩💻 Создание (https://www.youtube.com/watch?v=ITOZkzjtjUA) полнофункциональных веб-приложений с использованием Python и Reflex! (2024)
💡 Создание полнофункциональных веб-приложений традиционно требовало владения несколькими языками и фреймворками, включая HTML, CSS, JavaScript и языки бэкенда, такие как Python. Однако ситуация меняется с появлением таких инструментов, как Reflex, которые позволяют создавать интерактивные веб-приложения, используя только Python
🌟 В этом курсе вы узнаете, как можно создавать функциональные, масштабируемые веб-приложения с помощью Reflex, не прибегая к использованию HTML, CSS или даже JavaScript!
🕞 Продолжительность: 6:58:32
🔗 Ссылка: *клик* (https://www.youtube.com/watch?v=ITOZkzjtjUA)
#курс #python #reflex
@pythonl (https://t.me/pythonl)
@Pythonnewsone
💡 Создание полнофункциональных веб-приложений традиционно требовало владения несколькими языками и фреймворками, включая HTML, CSS, JavaScript и языки бэкенда, такие как Python. Однако ситуация меняется с появлением таких инструментов, как Reflex, которые позволяют создавать интерактивные веб-приложения, используя только Python
🌟 В этом курсе вы узнаете, как можно создавать функциональные, масштабируемые веб-приложения с помощью Reflex, не прибегая к использованию HTML, CSS или даже JavaScript!
🕞 Продолжительность: 6:58:32
🔗 Ссылка: *клик* (https://www.youtube.com/watch?v=ITOZkzjtjUA)
#курс #python #reflex
@pythonl (https://t.me/pythonl)
@Pythonnewsone
❤️ Telegram AI Digest Generator: Python-скрипт для создания дайджестов
Telegram AI Digest Generator — это готовый инструмент на Python, который помогает извлекать сообщения из Telegram-каналов и обрабатывать их с использованием искусственного интеллекта Claude AI 🖥
Инструмент позволяет автоматически генерировать краткие обзоры контента (дайджесты) и создавать изображения через Replicate API.
Результаты работы скрипта сохраняются в виде сообщений внутри самого Telegram. Для реализации функциональности используются следующие инструменты:
- Telegram API для взаимодействия с платформой Telegram.
- Claude AI для анализа и обработки текста.
- Replicate API для генерации изображений.
- Asyncio для повышения эффективности выполнения задач в параллельном режиме.
🖥 GitHub (https://github.com/sliday/telegram-ai-digest)
@pythonl
@Pythonnewsone
Telegram AI Digest Generator — это готовый инструмент на Python, который помогает извлекать сообщения из Telegram-каналов и обрабатывать их с использованием искусственного интеллекта Claude AI 🖥
Инструмент позволяет автоматически генерировать краткие обзоры контента (дайджесты) и создавать изображения через Replicate API.
Результаты работы скрипта сохраняются в виде сообщений внутри самого Telegram. Для реализации функциональности используются следующие инструменты:
- Telegram API для взаимодействия с платформой Telegram.
- Claude AI для анализа и обработки текста.
- Replicate API для генерации изображений.
- Asyncio для повышения эффективности выполнения задач в параллельном режиме.
🖥 GitHub (https://github.com/sliday/telegram-ai-digest)
@pythonl
@Pythonnewsone
🖥 yandex-music-download
Скрипт на Python для скачивания треков с Яндекс Музыки.
Возможности
Возможность загрузки:
- Всех треков исполнителя
- Всех треков из альбома
- Всех треков из плейлиста
- Отдельного трека
- Загрузка всех метаданных трека/альбома:
- Номер трека
- Номер диска
- Название трека
- Исполнитель
- Дополнительные исполнители
- Год выпуска альбома
- Обложка альбома
- Название альбома
- Текст песни (при использовании флага —add-lyrics)
- Поддержка паттерна для пути сохранения музыки
Установка
Для запуска скрипта требуется Python 3.9+
<pre language="bash">
pip install git+https://github.com/llistochek/yandex-music-downloader
yandex-music-downloader —help</pre>
Код доступен на GitHub: https://github.com/kaimi-io/yandex-music-download.
@pythonl
@Pythonnewsone
Скрипт на Python для скачивания треков с Яндекс Музыки.
Возможности
Возможность загрузки:
- Всех треков исполнителя
- Всех треков из альбома
- Всех треков из плейлиста
- Отдельного трека
- Загрузка всех метаданных трека/альбома:
- Номер трека
- Номер диска
- Название трека
- Исполнитель
- Дополнительные исполнители
- Год выпуска альбома
- Обложка альбома
- Название альбома
- Текст песни (при использовании флага —add-lyrics)
- Поддержка паттерна для пути сохранения музыки
Установка
Для запуска скрипта требуется Python 3.9+
<pre language="bash">
pip install git+https://github.com/llistochek/yandex-music-downloader
yandex-music-downloader —help</pre>
Код доступен на GitHub: https://github.com/kaimi-io/yandex-music-download.
@pythonl
@Pythonnewsone