⭕️ شناسایی و اندازه‌گیری خودکار دانه‌های برنج با OpenCV در این آموزش یاد می‌گیری چطور: ✔️ بخش‌های سفید تصویر را استخراج کنی ✔️ نویز پس‌زمینه را حذف کنی ✔️ دانه‌های واقعی را فیلتر کنی ✔️ اندازه دقیق هر دانه را روی تصویر بنویسی این یک مثال عالی برای پروژه‌های Machine Vision است. #opencv | #cv2 | #numpy 🌟@LearnPythonIcy

🎯 پیدا کردن دانه برنج با اندازه دلخواه سیستم هوشمند ما 1️⃣ شناسایی تمام دانه‌های برنج در تصویر 2️⃣ دریافت عدد ورودی از کاربر 3️⃣ پیدا کردن دانه‌ای که مساحتش به عدد شما نزدیک‌تر است 4️⃣ مشخص کردن دانه انتخابی با کادر و نمایش اندازه دقیق ویژگی‌ها تشخیص خودکار دانه‌ها جستجوی هوشمند نزدیک‌ترین اندازه حذف نویز و ذرات ریز نمایش واضح دانه انتخابی 📊 کاربرد کنترل کیفیت، جداسازی دانه‌های خارج از سایز، پروژه‌های دانشگاهی، سیستم‌های درجه‌بندی کشاورزی #opencv | #cv2 | #numpy 🌟@LearnPythonIcy

✔️ 10 Python Dictionary Tricks You Should Know! 🐍✨ 1️⃣ ساخت دیکشنری با مقدار پیش‌فرض from collections import defaultdict d = defaultdict(int) 2️⃣ ادغام دو دیکشنری (Python 3.9+) merged = dict1 | dict2 3️⃣ برعکس کردن key و value reversed_dict = {v: k for k, v in my_dict.items()} 4️⃣ گرفتن مقدار با مقدار پیش‌فرض امن value = my_dict.get("key", 0) 5️⃣ مرتب‌سازی دیکشنری بر اساس value sorted_dict = dict(sorted(my_dict.items(), key=lambda x: x[1])) 6️⃣ حذف آیتم و گرفتن مقدار همزمان value = my_dict.pop("key") 7️⃣ ساخت دیکشنری از دو لیست result = dict(zip(keys, values)) 8️⃣ بررسی وجود چند key به‌صورت همزمان if {"a", "b"} <= my_dict.keys(): print("Exists") 9️⃣ دیکشنری کامپرهنشن squares = {x: x**2 for x in range(5)} 🔟 شمارش تکرار آیتم‌ها from collections import Counter count = Counter(["a", "b", "a", "c"]) > ⚠️ دیکشنری‌ها خیلی قدرتمندن؛ ولی خوانایی کد رو فدای کوتاه‌نویسی نکن! #dict | #PythonTricks | @LearnPythonicy کدومش بیشتر به کارت خورد؟ https://daigo.ir/secret/62000079358

✔️ یادت هست اون دایناسوری که وقتی اینترنت قطع می‌شد بازی می‌کردیم؟ میتونی خودت با پایتون بسازی! 🦖 امکانات: ▫️ کنترل ساده با Space و Down ▫️ صداگذاری حرفه‌ای ▫️ ذخیره‌سازی High Score  تجربه بازی رو با پایتون از دست نده: (لینک گیت‌هاب: https://github.com/ArefehKabiri/dino_runner) #pygame | #random | #sys | #os | @learnpythonicy

فالمون نشه؟! https://quera.org/r/0c5br

یلدا مبارک

کتابخانه‌ی textwrap یک کتابخانه‌ی استاندارد است که برای قالب‌بندی متن در مواقعی استفاده می‌شود که به چاپ زیبا و منظم نیاز داریم. این کتابخانه قابلیت‌هایی مشابه ویرایشگرهای متن و نرم‌افزارهای پردازش متن ارائه می‌دهد. مروری کوتاه بر قابلیت‌ها: textwrap.fill() — متن را دریافت کرده و یک متن قالب‌بندی‌شده برمی‌گرداند؛ خط اول تورفتگی خود را حفظ می‌کند و فاصله‌های ابتدای هر خط بعدی در قالب پاراگراف قرار داده می‌شوند. textwrap.dedent() — برای حذف تورفتگی (پیشوند فاصله‌ی مشترک) از تمام خطوط متن استفاده می‌شود. textwrap.indent() — برای افزودن یک پیشوند متنی به تمام خطوط یک پاراگراف به‌کار می‌رود. #textwrap

تابع reduce در پایتون، ماژول functools دسترسی به قابلیت‌های تابعی (Functional Programming) زبان را فراهم می‌کند. یکی از توابع مهم و کاربردی این ماژول، تابع reduce است که با اعمال متوالی یک تابع مشخص روی عناصر یک مجموعه داده، آن مجموعه را به یک مقدار نهایی کاهش می‌دهد و نتایج میانی را در طول فرآیند حفظ می‌کند. به‌عنوان مثال، می‌توان عملکرد reduce را در ضرب متوالی اعداد مشاهده کرد: ابتدا عدد 1 در 2 ضرب می‌شود، سپس حاصل به‌دست‌آمده در 3 ضرب می‌گردد و این روند به همین شکل ادامه پیدا می‌کند. #python #functools

✔️ حذف None و مقادیر تکراری با حفظ ترتیب در پایتون در بسیاری از سناریوهای واقعی (دیتاپروسسینگ، لاگ‌ها، ورودی کاربر)، علاوه بر حذف مقادیر تکراری و None، حفظ ترتیب عناصر هم اهمیت دارد. در این حالت استفاده از set مناسب نیست، چون ترتیب را از بین می‌برد. راه‌حل تمیز و پایتونیک، استفاده از dict.fromkeys است: data = [1, 2, None, 3, 2, None, 4, 1] clean_data = list(dict.fromkeys(x for x in data if x is not None)) print(clean_data) 📌 خروجی: [1, 2, 3, 4] 🔍 مزایا . ترتیب لیست حفظ می‌شود . بدون حلقه‌ی دستی . مناسب پیش‌پردازش دیتا ⚠️ نکته: این روش از پایتون 3.7 به بعد کاملاً قابل اعتماد است (ترتیب دیکشنری حفظ می‌شود). #fromkeys | #dict | #list | #none | @LearnPythonIcy

✔️ گروه‌بندی آیتم‌ها در پایتون با defaultdict در بسیاری از سناریوهای واقعی (دیتاپروسسینگ، گزارش‌گیری، لاگ‌ها، دسته‌بندی داده‌ها)، نیاز داریم آیتم‌ها را بر اساس یک کلید مشخص گروه‌بندی کنیم. روش‌های معمول با if و in کد را شلوغ می‌کنند. راه‌حل پایتونیک و تمیز: استفاده از defaultdict.

from collections import defaultdict

data = [
    ("apple", "fruit"),
    ("carrot", "vegetable"),
    ("banana", "fruit"),
    ("spinach", "vegetable"),
]

grouped = defaultdict(list)

for item, category in data:
    grouped[category].append(item)

print(dict(grouped))

📌 خروجی: { 'fruit': ['apple', 'banana'], 'vegetable': ['carrot', 'spinach'] } 🔍 مزایا کد خوانا و کوتاه بدون نیاز به چک‌کردن وجود کلید مناسب برای دسته‌بندی دیتا و گزارش‌ها ⚠️ نکته: defaultdict مقدار پیش‌فرض می‌سازد، پس اگر نوع داده اشتباه انتخاب شود، ممکن است باگ پنهان ایجاد کند. #defaultdict | #collections | #python | #dataprocessing | @LearnPythonIcy