ngrok http 8080

import requests
import cv2
import os
from insightface.app import FaceAnalysis
from insightface.model_zoo import get_model

app = FaceAnalysis(name='buffalo_l')
app.prepare(ctx_id=0, det_size=(640, 640))


def download_model(url, model_path):
    if not os.path.exists(model_path):
        print(f"Загрузка модели с {url}...")
        response = requests.get(url)
        response.raise_for_status()
        with open(model_path, 'wb') as file:
            file.write(response.content)
        print(f"Модель сохранена как {model_path}")


model_url = "https://huggingface.co/ezioruan/inswapper_128.onnx/resolve/main/inswapper_128.onnx?download=true"
model_path = "inswapper_128.onnx"

download_model(model_url, model_path)

swapper = get_model(model_path)


def swap_face_between_images(source_image_path, target_image_path, output_image_path):
    source_img = cv2.imread(source_image_path)
    if source_img is None:
        print(f"Ошибка: Не удалось загрузить изображение-источник по пути: {source_image_path}")
        return

    target_img = cv2.imread(target_image_path)
    if target_img is None:
        print(f"Ошибка: Не удалось загрузить изображение-цель по пути: {target_image_path}")
        return

    print("Анализ лиц на изображении-источнике...")
    source_faces = app.get(source_img)
    if not source_faces:
        print("Ошибка: Лица на изображении-источнике не найдены.")
        return
    source_face = source_faces[0]

    print("Анализ лиц на изображении-цели...")
    target_faces = app.get(target_img)
    if not target_faces:
        print("Ошибка: Лица на изображении-цели не найдены.")
        return
    target_face_to_replace = target_faces[0]

    print("Выполнение замены лица...")
    result_img = target_img.copy()
    result_img = swapper.get(result_img, target_face_to_replace, source_face)

    cv2.imwrite(output_image_path, result_img)
    print(f"Изображение с замененным лицом сохранено как: {output_image_path}")


if __name__ == "__main__":
    path_to_source_photo = 'rojers.jpg'
    path_to_target_photo = 'stark.jpg'
    output_filename = 'swapped_result.png'

    if not os.path.exists(path_to_source_photo):
        print(
            f"Файл источника не найден: {path_to_source_photo}. Пожалуйста, создайте его или укажите правильный путь.")
    elif not os.path.exists(path_to_target_photo):
        print(f"Файл цели не найден: {path_to_target_photo}. Пожалуйста, создайте его или укажите правильный путь.")
    else:
        swap_face_between_images(path_to_source_photo, path_to_target_photo, output_filename)

opencv-python
onnxruntime
insightface

# Обновляем список пакетов
sudo apt update

# Устанавливаем Docker
sudo apt install -y docker.io

# Запускаем и добавляем Docker в автозагрузку
sudo systemctl start docker
sudo systemctl enable docker

# Устанавливаем Docker Compose
sudo apt install -y docker-compose

docker --version
docker-compose --version

cd /root/dialog_bot/

sudo docker-compose up --build -d

sudo docker-compose logs -f

1. Перейдите на официальный сайт Docker и скачай установщик для Windows.
2. Установите Docker Desktop:
- Запустите скачанный установщик.
- Следуйте инструкциям на экране. Очень важно: убедитесь, что выбрана опция "Use WSL 2 instead of Hyper-V" (Использовать WSL 2 вместо Hyper-V), если она доступна и твой Windows 10 это поддерживает (версия 2004 и выше, сборка 19041 и - выше). WSL 2 обеспечивает лучшую производительность. Если опции нет или твоя система старее, Docker Desktop может использовать Hyper-V.
- Установка может потребовать включения функций "Контейнеры" и "Подсистема Windows для Linux" (WSL). Установщик обычно предлагает сделать это автоматически или дает инструкции.
3. Запусти Docker Desktop после установки. Иконка кита появится в системном трее. При первом запуске может потребоваться некоторое время на инициализацию. Убедись, что Docker Desktop показывает, что он запущен (иконка кита в трее статична и не анимирована).

docker-compose up --build -d

linked_chat_id

telethon.tl.functions.channels.GetFullChannelRequest

- full_chat: Этот атрибут содержит объект ChannelFull (для каналов), который, в свою очередь, хранит расширенную информацию о самом канале, включая искомый linked_chat_id.
- chats: Это список, содержащий объекты сущностей (User, Chat, Channel) для основного канала, а также для всех связанных с ним чатов (включая группу обсуждения, если она есть) и упомянутых пользователей.

from transformers import BlipProcessor, BlipForConditionalGeneration
import torch
from PIL import Image

processor = BlipProcessor.from_pretrained("Salesforce/blip-image-captioning-base")
model = BlipForConditionalGeneration.from_pretrained("Salesforce/blip-image-captioning-base")

image_path = "img_4.jpg"
image = Image.open(image_path)

inputs = processor(images=image, return_tensors="pt")

with torch.no_grad():
    output = model.generate(**inputs)

description = processor.decode(output[0], skip_special_tokens=True)

print("Image description:", description)

transformers
torch
Pillow