520，用Python訂製你的《本草綱目女孩》
摘要：讓我們來用Python訂製出心儀的「本草綱目女孩」，敲出魔性的程式碼舞蹈，520，準備好心儀女孩的舞蹈影片，把這份別出心裁的禮物給TA
本文分享自華為雲社區《【雲駐共創】華為雲AI之用Python訂製我的《本草綱目女孩》》，作者：愚公搬程式碼。
前言
近日，《本草綱目》毽子操的影片刷屏網路。公司里更是多了很多劉畊宏女孩，在520到來之際特意奉獻這篇文章給大家。如果有心儀的女孩這篇文章可以幫助你哦。
歌詞：抬腿！拍腿！，側邊的肥肉咔咔掉，人魚線馬甲線我都要！劉畊宏的男孩女孩看過來。
讓我們來用Python訂製出心儀的「本草綱目女孩」，敲出魔性的程式碼舞蹈，520，準備好心儀女孩的舞蹈影片，把這份別出心裁的禮物給TA❤️。
一、華為雲ModelArts-Notebook介紹
1.華為雲ModelArts-Notebook
ModelArts集成了基於開源的Jupyter Notebook和JupyterLab，可為您提供在線的互動式開發調試工具。您無需關注安裝配置，在ModelArts管理控制台直接使用Notebook，編寫和調測模型訓練程式碼，然後基於該程式碼進行模型的訓練。
其中，ModelArts還提供了華為自研的分散式訓練加速框架MoXing，您可以在Notebook中使用MoXing編寫訓練腳本，讓您程式碼編寫更加高效、程式碼更加簡潔。
1.1 Jupyter Notebook是什麼
Jupyter Notebook是一個可以在瀏覽器中使用的互動式的計算應用程式，該應用程式的所有可見的內容，以筆記型電腦文檔表示，包括計算的輸入和輸出、解釋文本、數學、影像和對象的富媒體等表示。因此，Jupyter Notebook可以實現將程式碼、文字完美結合起來，非常適合從事機器學習、數據分析等數據科學工作的人員。
Jupyter Notebook相關文檔：//docs.jupyter.org/en/latest/
1.2 JupyterLab是什麼
JupyterLab是一個互動式的開發環境，是Jupyter Notebook的下一代產品，可以使用它編寫Notebook、操作終端、編輯MarkDown文本、打開交互模式、查看csv文件及圖片等功能。
JupyterLab相關文檔：//jupyterlab.readthedocs.io/en/stable/
1.3 什麼是Moxing
MoXing是華為雲ModelArts團隊自研的分散式訓練加速框架，它構建於開源的深度學習引擎TensorFlow、MXNet、PyTorch、Keras之上。相對於TensorFlow和MXNet原生API而言，MoXing API讓模型程式碼的編寫更加簡單，允許用戶只需要關心數據輸入(input_fn)和模型構建(model_fn)的程式碼，即可實現任意模型在多GPU和分散式下的高性能運行，降低了TensorFlow和MXNet的使用門檻。另外，MoXing-TensorFlow還將支援自動超參選擇和自動模型結構搜索，用戶無需關心超參和模型結構，做到模型全自動學習。
Moxing相關文檔：//github.com/huaweicloud/ModelArts-Lab/tree/master/docs/moxing_api_doc
2.Python-Opencv
Python由荷蘭數學和電腦科學研究學會的吉多·范羅蘇姆於1990年代初設計，作為一門叫做ABC語言的替代品。Python提供了高效的高級數據結構，還能簡單有效地面向對象編程。Python語法和動態類型，以及解釋型語言的本質，使它成為多數平台上寫腳本和快速開發應用的程式語言，隨著版本的不斷更新和語言新功能的添加，逐漸被用於獨立的、大型項目的開發。
Python解釋器易於擴展，可以使用C語言或C++（或者其他可以通過C調用的語言）擴展新的功能和數據類型。Python也可用於可訂製化軟體中的擴展程式語言。Python豐富的標準庫，提供了適用於各個主要系統平台的源碼或機器碼。
OpenCV用C++語言編寫，它具有C++，Python，Java和MATLAB介面，並支援Windows，Linux，Android和Mac OS，OpenCV主要傾向於實時視覺應用，並在可用時利用MMX和SSE指令，如今也提供對於C#、Ch、Ruby，GO的支援。
opencv-python的github網址：//pypi.org/project/opencv-python/
OpenCV官網：//opencv.org/
二、本地案例實現Python訂製我的《本草綱目女孩》
1.案例實現流程
眾所周知，影片是由一幀幀影像構成，Opencv處理影片影像資訊的原理就是將影片轉為一幀幀影像，處理完影像後再轉換為影片。
用Python實現案例流程如下：
2.案例環境部署
2.1 本機環境
- vs2022
- anaconda（已經包括opencv和PIL）
- python
2.2 安裝對應的anaconda包
anaconda這是一個非常常用的python包集成管理工具，其中預安裝了很多python庫，使得我們不需要去手動安裝各種的第三方庫，我們知道自己取手動安裝的過程中，很容易就會遇到一些報錯，解決起來也非常的麻煩。
anaconda官網：//www.anaconda.com/products/distribution#Downloads
下載完軟體包一路點擊安裝就行了，安裝成功後會出現如下介面。
查看是否安裝成功命令：conda --version
2.3 安裝opencv-python
進入anaconda控制台輸入如下命令：
pip install opencv-python
3.案例實現程式碼
本案例的實現過程主要分為以下幾步：
1. 導入數據 2. 導入庫函數 3. 將影片轉化為影像幀 4. 對圖片幀進行ASCII碼的轉換 5. 將轉換好的圖片幀合成影片
3.1 導入數據
3.2 導入庫函數
#導入Python庫 import cv2 from PIL import Image，ImageFont，ImageDraw import os from cv2 import VideoWriter， VideoWriter_fourcc， imread， resize
3.3 將影片轉化為影像幀
#將影片轉換為圖片存入目標文件夾 def video_to_pic(vp): number = 0 # 判斷載入的影片是否可以打開 if vp.isOpened(): #r：布爾型 （True 或者False），代表有沒有讀取到圖片，frame：表示截取到的一幀的圖片的數據，是個三維數組 r，frame = vp.read() #判斷文件夾是否存在，不存在的話則新建文件夾 if not os.path.exists('cache_pic'): os.mkdir('cache_pic') os.chdir('cache_pic') else: r = False #遍歷影片，並將每一幀圖片寫入文件夾 while r: number += 1 cv2.imwrite(str(number)+'.jpg'，frame) r，frame = vp.read() print('\n由影片一共生成了{}張圖片！'.format(number)) # 修改當前工作目錄至主目錄 os.chdir("..") return number
3.4 對圖片幀進行ASCII碼的轉換
#將圖片進行批量化處理 def star_to_char(number， save_pic_path): #判斷文件夾是否存在，不存在的話則新建文件夾 if not os.path.exists('cache_char'): os.mkdir('cache_char') # 生成目標圖片文件的路徑列表 img_path_list = [save_pic_path + r'/{}.jpg'.format(i) for i in range(1， number + 1)] task = 0 for image_path in img_path_list: # 獲取圖片的解析度 img_width， img_height = Image.open(image_path).size task += 1 #處理圖片，並顯示處理進程 img_to_char(image_path， img_width， img_height， task) print('{}/{} is processed.'.format(task， number)) print('=======================') print('All pictures were processed!') print('=======================') return 0 # 將圖片轉換為灰度影像後進行ascii_char中的ASCII值輸出 # 函數輸入像素RGBA值，輸出對應的字元碼。其原理是將字元均勻地分布在整個灰度範圍內，像素灰度值落在哪個區間就對應哪個字元碼。 def get_char(r， g， b， alpha=256): #ascii_char就是字元列表，用來將不同灰度的像素進行不同字元體替換的參照。 ascii_char = list("#RMNHQODBWGPZ*@$C&98?32I1>!:-;. ") #alpha在為0的時候便是完全透明的圖片，所以返回空 if alpha == 0: return '' length = len(ascii_char) #轉為灰度圖 #RGBA是代表Red(紅色)、Green(綠色)、Blue(藍色)和Alpha的色彩空間，Alpha通道一般用作不透明度參數 #如果一個像素的alpha通道數值為0%，那它就是完全透明的，而數值為100%則意味著一個完全不透明的像素 gray = int(0.2126 * r + 0.7152 * g + 0.0722 * b) # unit = (256.0 + 1) / len(ascii_char) unit = 256 / len(ascii_char) return ascii_char[int(gray / unit)] def img_to_char(image_path， raw_width， raw_height， task): width = int(raw_width / 6) height = int(raw_height / 15) # 以RGB模式打開 im = Image.open(image_path).convert('RGB') im = im.resize((width， height)， Image.NEAREST) txt = '' color = [] #遍歷圖片的每個像素 for i in range(height): for j in range(width): pixel = im.getpixel((j， i)) # 將顏色加入進行索引 color.append((pixel[0]， pixel[1]， pixel[2])) if len(pixel) == 4: txt += get_char(pixel[0]， pixel[1]， pixel[2]， pixel[3]) else: txt += get_char(pixel[0]， pixel[1]， pixel[2]) txt += '\n' color.append((255， 255， 255)) im_txt = Image.new("RGB"， (raw_width， raw_height)， (255， 255， 255)) dr = ImageDraw.Draw(im_txt) font = ImageFont.load_default().font x， y = 0， 0 font_w， font_h = font.getsize(txt[1]) font_h *= 1.37 # 調整字體大小 for i in range(len(txt)): if (txt[i] == '\n'): x += font_h y = -font_w dr.text((y， x)， txt[i]， fill=color[i]) y += font_w #存儲處理後的圖片至文件夾 os.chdir('cache_char') im_txt.save(str(task) + '.jpg') #直接進入新創建的文件夾將生成的圖片直接存入文件夾中 os.chdir("..") return 0
3.5 將轉換好的圖片幀合成影片
# 進度條顯示 def process_bar(percent， start_str=''， end_str=''， total_length=0): bar = ''.join("■ " * int(percent * total_length)) + '' bar = '\r' + start_str + bar.ljust(total_length) + ' {:0>4.1f}%|'.format(percent * 100) + end_str print(bar， end=''， flush=True) #圖片幀合成影片 def jpg_to_video(char_image_path， FPS): # 設置影片編碼器，這裡使用MP42編碼器 video_fourcc = VideoWriter_fourcc(*"MP42") # 生成目標字元圖片文件的路徑列表 char_img_path_list = [char_image_path + r'/{}.jpg'.format(i) for i in range(1， number + 1)] # 獲取圖片的解析度 char_img_test = Image.open(char_img_path_list[1]).size if not os.path.exists('video'): os.mkdir('video') video_writter = VideoWriter('video/output.avi'， video_fourcc， FPS， char_img_test) sum = len(char_img_path_list) count = 0 for image_path in char_img_path_list: img = cv2.imread(image_path) video_writter.write(img) end_str = '100%' count = count + 1 process_bar(count / sum， start_str=''， end_str=end_str， total_length=15) video_writter.release() print('\n') print('=======================') print('The video is finished!') print('=======================')
3.6 主函數
if __name__ == "__main__": #初始影片路徑 video_path = 'test_demo0510.mp4' #原始影片轉為圖片的圖片保存路徑 save_pic_path = 'cache_pic' #圖片經處理後的圖片保存路徑 save_charpic_path = 'cache_char' # 讀取影片 vp = cv2.VideoCapture(video_path) # 將影片轉換為圖片 並進行計數，返回總共生成了多少張圖片 number = video_to_pic(vp) # 計算影片幀數 FPS = vp.get(cv2.CAP_PROP_FPS) # 將影像進行字元串處理後 star_to_char(number， save_pic_path) vp.release() # 將圖片合成為影片 jpg_to_video(save_charpic_path， FPS)
3.7 運行結果
運行後一共生成了382張圖片，和影片文件，保存在如下文件夾下。
4.案例播放程式碼
import cv2 from IPython.display import clear_output， Image， display def show_video(video_path， show_text): video = cv2.VideoCapture(video_path) while True: try: clear_output(wait=True) # 讀取影片 ret， frame = video.read() if not ret: break height， width， _ = frame.shape cv2.putText(frame， show_text， (0， 100)， cv2.FONT_HERSHEY_TRIPLEX， 3.65， (255， 0， 0)， 2) frame = cv2.resize(frame， (int(width / 2)， int(height / 2))) _， ret = cv2.imencode('.jpg'， frame) display(Image(data=ret)) except KeyboardInterrupt: video.release() #影片循環播放 i=1 while i>0: show_video('video/output.avi'，str(i)) i=i+1
三、華為雲AI實現Python訂製我的《本草綱目女孩》
1.基礎配置
“本草綱目”健身操字元串影片操作實例的案例頁面如下：//developer.huaweicloud.com/develop/aigallery/Notebook/detail?id=c81526e5-cc88-497f-8a21-41a5632e014e
點擊Run in ModelArts，進入JupyterLab頁面。
配置當前運行環境，切換規格，並選擇免費的就好了。
2.導入數據
選擇下方程式碼，點擊運行。
運行完成後如下：
3.安裝相關依賴
選擇下方程式碼，點擊運行安裝opencv包
pip install opencv_python
4.導入庫函數
#導入Python庫 import cv2 from PIL import Image，ImageFont，ImageDraw import os from cv2 import VideoWriter， VideoWriter_fourcc， imread， resize
5.將影片轉化為影像幀
#將影片轉換為圖片存入目標文件夾 def video_to_pic(vp): number = 0 # 判斷載入的影片是否可以打開 if vp.isOpened(): #r：布爾型 （True 或者False），代表有沒有讀取到圖片，frame：表示截取到的一幀的圖片的數據，是個三維數組 r，frame = vp.read() #判斷文件夾是否存在，不存在的話則新建文件夾 if not os.path.exists('cache_pic'): os.mkdir('cache_pic') os.chdir('cache_pic') else: r = False #遍歷影片，並將每一幀圖片寫入文件夾 while r: number += 1 cv2.imwrite(str(number)+'.jpg'，frame) r，frame = vp.read() print('\n由影片一共生成了{}張圖片！'.format(number)) # 修改當前工作目錄至主目錄 os.chdir("..") return number
6.對圖片幀進行ASCII碼的轉換
#將圖片進行批量化處理 def star_to_char(number， save_pic_path): #判斷文件夾是否存在，不存在的話則新建文件夾 if not os.path.exists('cache_char'): os.mkdir('cache_char') # 生成目標圖片文件的路徑列表 img_path_list = [save_pic_path + r'/{}.jpg'.format(i) for i in range(1， number + 1)] task = 0 for image_path in img_path_list: # 獲取圖片的解析度 img_width， img_height = Image.open(image_path).size task += 1 #處理圖片，並顯示處理進程 img_to_char(image_path， img_width， img_height， task) print('{}/{} is processed.'.format(task， number)) print('=======================') print('All pictures were processed!') print('=======================') return 0 # 將圖片轉換為灰度影像後進行ascii_char中的ASCII值輸出 # 函數輸入像素RGBA值，輸出對應的字元碼。其原理是將字元均勻地分布在整個灰度範圍內，像素灰度值落在哪個區間就對應哪個字元碼。 def get_char(r， g， b， alpha=256): #ascii_char就是字元列表，用來將不同灰度的像素進行不同字元體替換的參照。 ascii_char = list("#RMNHQODBWGPZ*@$C&98?32I1>!:-;. ") #alpha在為0的時候便是完全透明的圖片，所以返回空 if alpha == 0: return '' length = len(ascii_char) #轉為灰度圖 #RGBA是代表Red(紅色)、Green(綠色)、Blue(藍色)和Alpha的色彩空間，Alpha通道一般用作不透明度參數 #如果一個像素的alpha通道數值為0%，那它就是完全透明的，而數值為100%則意味著一個完全不透明的像素 gray = int(0.2126 * r + 0.7152 * g + 0.0722 * b) # unit = (256.0 + 1) / len(ascii_char) unit = 256 / len(ascii_char) return ascii_char[int(gray / unit)] def img_to_char(image_path， raw_width， raw_height， task): width = int(raw_width / 6) height = int(raw_height / 15) # 以RGB模式打開 im = Image.open(image_path).convert('RGB') im = im.resize((width， height)， Image.NEAREST) txt = '' color = [] #遍歷圖片的每個像素 for i in range(height): for j in range(width): pixel = im.getpixel((j， i)) # 將顏色加入進行索引 color.append((pixel[0]， pixel[1]， pixel[2])) if len(pixel) == 4: txt += get_char(pixel[0]， pixel[1]， pixel[2]， pixel[3]) else: txt += get_char(pixel[0]， pixel[1]， pixel[2]) txt += '\n' color.append((255， 255， 255)) im_txt = Image.new("RGB"， (raw_width， raw_height)， (255， 255， 255)) dr = ImageDraw.Draw(im_txt) font = ImageFont.load_default().font x， y = 0， 0 font_w， font_h = font.getsize(txt[1]) font_h *= 1.37 # 調整字體大小 for i in range(len(txt)): if (txt[i] == '\n'): x += font_h y = -font_w dr.text((y， x)， txt[i]， fill=color[i]) y += font_w #存儲處理後的圖片至文件夾 os.chdir('cache_char') im_txt.save(str(task) + '.jpg') #直接進入新創建的文件夾將生成的圖片直接存入文件夾中 os.chdir("..") return 0
7.將轉換好的圖片幀合成影片
# 進度條顯示 def process_bar(percent， start_str=''， end_str=''， total_length=0): bar = ''.join("■ " * int(percent * total_length)) + '' bar = '\r' + start_str + bar.ljust(total_length) + ' {:0>4.1f}%|'.format(percent * 100) + end_str print(bar， end=''， flush=True) #圖片幀合成影片 def jpg_to_video(char_image_path， FPS): # 設置影片編碼器，這裡使用MP42編碼器 video_fourcc = VideoWriter_fourcc(*"MP42") # 生成目標字元圖片文件的路徑列表 char_img_path_list = [char_image_path + r'/{}.jpg'.format(i) for i in range(1， number + 1)] # 獲取圖片的解析度 char_img_test = Image.open(char_img_path_list[1]).size if not os.path.exists('video'): os.mkdir('video') video_writter = VideoWriter('video/output.avi'， video_fourcc， FPS， char_img_test) sum = len(char_img_path_list) count = 0 for image_path in char_img_path_list: img = cv2.imread(image_path) video_writter.write(img) end_str = '100%' count = count + 1 process_bar(count / sum， start_str=''， end_str=end_str， total_length=15) video_writter.release() print('\n') print('=======================') print('The video is finished!') print('=======================')
8.運行主函數
if __name__ == "__main__": #初始影片路徑 video_path = 'test_demo0510.mp4' #原始影片轉為圖片的圖片保存路徑 save_pic_path = 'cache_pic' #圖片經處理後的圖片保存路徑 save_charpic_path = 'cache_char' # 讀取影片 vp = cv2.VideoCapture(video_path) # 將影片轉換為圖片 並進行計數，返回總共生成了多少張圖片 number = video_to_pic(vp) # 計算影片幀數 FPS = vp.get(cv2.CAP_PROP_FPS) # 將影像進行字元串處理後 star_to_char(number， save_pic_path) vp.release() # 將圖片合成為影片 jpg_to_video(save_charpic_path， FPS)
等待主函數執行完成，後會生成如下三個文件夾：
9.播放影片
總結
本文主要介紹了本地開發和華為雲ModelArts開發兩種形式，從開發流程中大家也明白那種形式開發更簡單。
ModelArts是面向開發者的一站式AI開發平台，為機器學習與深度學習提供海量數據預處理及半自動化標註、大規模分散式Training、自動化模型生成，及端-邊-雲模型按需部署能力，幫助用戶快速創建和部署模型，管理全周期AI工作流。
華為雲ModelArts-Notebook雲開發的優勢不需要本地進行安裝資源包，在ModelArts-Notebook環境就已經集成了這些環境，減少了人為部署壓力，更易於上手、更高性能、一站式服務、支援多種主流框架。
本文整理自華為雲社區【內容共創】活動第16期。查看活動詳情：//bbs.huaweicloud.com/blogs/352652
