آموزش کار با ابزارهای تحلیل ویدئو

    pip install opencv-python

    import cv2

    # باز کردن ویدئو
    cap = cv2.VideoCapture('video.mp4')
    
    while(cap.isOpened()):
        ret, frame = cap.read()
        if ret:
            # نمایش فریم
            cv2.imshow('Frame', frame)
            
            # فشردن کلید 'q' برای خروج
            if cv2.waitKey(25) & 0xFF == ord('q'):
                break
        else:
            break
    
    # آزاد کردن منابع
    cap.release()
    cv2.destroyAllWindows()
    

    pip install tensorflow

    import tensorflow as tf
    import cv2
    
    # بارگذاری مدل پیش‌آموزش‌دیده
    model = tf.keras.applications.MobileNetV2(weights='imagenet')
    
    # باز کردن ویدئو
    cap = cv2.VideoCapture('video.mp4')
    
    while(cap.isOpened()):
        ret, frame = cap.read()
        if ret:
            # پیش‌پردازش فریم
            img = cv2.resize(frame, (224, 224))
            img = tf.keras.applications.mobilenet_v2.preprocess_input(img)
            img = np.expand_dims(img, axis=0)
            
            # پیش‌بینی اشیاء
            preds = model.predict(img)
            print('Predicted:', tf.keras.applications.mobilenet_v2.decode_predictions(preds, top=1)[0])
            
            # نمایش فریم
            cv2.imshow('Frame', frame)
            
            # فشردن کلید 'q' برای خروج
            if cv2.waitKey(25) & 0xFF == ord('q'):
                break
        else:
            break
    
    # آزاد کردن منابع
    cap.release()
    cv2.destroyAllWindows()
    

    pip install opencv-python
    pip install numpy    

    import cv2
    import numpy as np
    
    # بارگذاری مدل YOLO
    net = cv2.dnn.readNet('yolov3.weights', 'yolov3.cfg')
    layer_names = net.getLayerNames()
    output_layers = [layer_names[i[0] - 1] for i in net.getUnconnectedOutLayers()]
    
    # باز کردن ویدئو
    cap = cv2.VideoCapture('video.mp4')
    
    while(cap.isOpened()):
        ret, frame = cap.read()
        if ret:
            # پیش‌پردازش فریم
            blob = cv2.dnn.blobFromImage(frame, 0.00392, (416, 416), (0, 0, 0), True, crop=False)
            net.setInput(blob)
            outs = net.forward(output_layers)
            
            # تحلیل نتایج
            class_ids = []
            confidences = []
            boxes = []
            for out in outs:
                for detection in out:
                    scores = detection[5:]
                    class_id = np.argmax(scores)
                    confidence = scores[class_id]
                    if confidence > 0.5:
                        center_x = int(detection[0] * frame.shape[1])
                        center_y = int(detection[1] * frame.shape[0])
                        w = int(detection[2] * frame.shape[1])
                        h = int(detection[3] * frame.shape[0])
                        x = int(center_x - w / 2)
                        y = int(center_y - h / 2)
                        boxes.append([x, y, w, h])
                        confidences.append(float(confidence))
                        class_ids.append(class_id)
            
            indexes = cv2.dnn.NMSBoxes(boxes, confidences, 0.5, 0.4)
            for i in range(len(boxes)):
                if i in indexes:
                    x, y, w, h = boxes[i]
                    label = str(classes[class_ids[i]])
                    cv2.rectangle(frame, (x, y), (x + w, y + h), (0, 255, 0), 2)
                    cv2.putText(frame, label, (x, y - 10), cv2.FONT_HERSHEY_SIMPLEX, 0.5, (0, 255, 0), 2)
            
            # نمایش فریم
            cv2.imshow('Frame', frame)
            
            # فشردن کلید 'q' برای خروج
            if cv2.waitKey(25) & 0xFF == ord('q'):
                break
        else:
            break
    
    # آزاد کردن منابع
    cap.release()
    cv2.destroyAllWindows()