📸 Обработка изображений с помощью OpenCV

import cv2
import numpy as np

def apply_grayscale_and_edges(image_path: str):
    # Загрузка изображения
    image = cv2.imread(image_path)
    if image is None:
        raise FileNotFoundError(f"Не удалось загрузить изображение: {image_path}")
    
    # Преобразование в градации серого
    gray_image = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
    
    # Обнаружение границ с помощью Canny
    edges = cv2.Canny(gray_image, 100, 200)
    
    # Отображение результатов
    cv2.imshow("Grayscale", gray_image)
    cv2.imshow("Edges", edges)
    cv2.waitKey(0)
    cv2.destroyAllWindows()

# Пример использования
image_path = "example.jpg"
try:
    apply_grayscale_and_edges(image_path)
except FileNotFoundError as e:
    print(e)

📌 Этот код демонстрирует работу с изображениями с помощью OpenCV: загрузка, преобразование в градации серого и обнаружение границ. Эти операции полезны для задач компьютерного зрения, таких как распознавание объектов или улучшение изображений для анализа.

🛠 Установите OpenCV с помощью: pip install opencv-python-headless

🔍 Применяйте этот код в своих проектах для обработки изображений.

Подпишись 👉🏻 @KodduuPython 🤖

🔍 Эффективность использования Generators vs. List Comprehensions в Python

def list_comprehension_example(n: int):
    return 

def generator_example(n: int):
    return (x * x for x in range(n))

# Пример использования
if __name__ == "__main__":
    n = 10**6

    # Использование спискового включения
    squares_list = list_comprehension_example(n)
    print(f"Сгенерирован список квадратов длиной {len(squares_list)}")

    # Использование генератора
    squares_generator = generator_example(n)
    print("Сгенерирован генератор квадратов")

    # Пример итерации по генератору
    sum_of_squares = sum(squares_generator)
    print(f"Сумма квадратов до {n}: {sum_of_squares}")

📌 Этот код демонстрирует два подхода к созданию последовательностей в Python: списковые включения и генераторы.

Списковые включения создают списки, занимая память под все элементы сразу, тогда как генераторы создают элементы по мере необходимости, экономя память.

Генераторы полезны при работе с большими данными, когда важно снижать нагрузку на оперативную память.

Подпишись 👉🏻 @KodduuPython 🤖

🔄 Асинхронное программирование vs. многопоточность в Python

import asyncio
import concurrent.futures
import requests

async def fetch_url_async(url: str) -> str:
    loop = asyncio.get_event_loop()
    with concurrent.futures.ThreadPoolExecutor() as pool:
        response = await loop.run_in_executor(pool, requests.get, url)
        return response.text

def fetch_url_sync(url: str) -> str:
    response = requests.get(url)
    return response.text

async def main():
    url = "https://www.example.com"
    
    # Асинхронный вызов
    async_result = await fetch_url_async(url)
    print("Асинхронный результат получен")

    # Синхронный вызов
    with concurrent.futures.ThreadPoolExecutor() as executor:
        future = executor.submit(fetch_url_sync, url)
        sync_result = future.result()
        print("Синхронный результат получен")

if __name__ == "__main__":
    asyncio.run(main())

📌 Этот код демонстрирует различия между асинхронным программированием и многопоточностью в Python для выполнения сетевых запросов.

Асинхронная функция fetch_url_async использует asyncio и ThreadPoolExecutor для выполнения запросов без блокировки основного потока,
в то время как синхронная функция fetch_url_sync выполняет их в отдельном потоке.

Оба подхода эффективны для задач ввода-вывода, но выбор между ними зависит от архитектуры приложения и требований к производительности.

Подпишись 👉🏻 @KodduuPython 🤖