У меня лежит x-bogus, _signature так же без дела, но вот просто так выкатывать дело этакое, я потратил туда время и силы, и на этом потенциально можно так же заработать, если правильно его применить. Я вот подумал, давайте я его выкачу, с небольшой оговоркой.…

На самом это было увлекательно сидеть подбирать и играться с логарифмами и квадратными корнями. По факту, я с ними познакомился только в процессе, в школе я даже не понимал зачем это вообще нужно)
В общем прикольные штуки

Искренне надеюсь, что я еще столкнусь с чем то подобным в своей жизни , это пробирает до глубины

```
@staticmethod
def avoid_zero(arg):
# return max(arg, 1e-10)
if arg == 0:
return 1.1
elif arg == 1:
return 1.1
else:
return arg

```

Пост про подсчет эффективности профиля, видео.

Короче логика такая

Часть 1
На счет анализа профилей

сейчас будет духота, готовьтесь, открывайте окна, в срочном порядке

берется кол-во лайков и подписчиков и профиле
Далее т.к у бывают значения от 0 до бесконечности, все это причесывается в преобразование натурального логарифма и следом извлечение корня, чтобы условно значения были не 854.721(лайков, подписчиков), а превратить допустим в 0.72835, 2.11354, 1.83821 ну и так далее. Причесываем, сплющиваем данные так сказать
like = √ln(x)
followers = √ln(x)
videos = √ln(x)
После этого делаем следующее:
Уже на нормализованных и причесанных данных
(likefollowers)ln(√likefollowers)√count_videos
1) количество лайков*кол во подписчиков — на этом этапе мы получаем (эффективность?) аккаунта. Чем выше показатель, тем соответственно эффективнее, чем ниже, тем менее эффективный

2) Следом извлекаем корень из выражения like*followers и преобразовываем в натуральный логарифм — проще говоря, готовим буст для наших значений. Типа как экспонента, только в десятки раз мягче

3) После даем "буст" значениям, чтобы они совсем мизерными не были

4) Умножаем на извлеченный корень натурального логарифма количества видео, который учитывает количество видео на аккаунте. Чем больше тем сильнее буст, т.к бывают аккаунты где там 10кк лайков и 5кк аудитории, а 3 видоса. Но если будет так, то общий бал сильно режет, смысл от таких аккаунтов не постят видики но жирные?)

Теперь чтобы на цифрах было проще воспринимать
Еще раз формула чтобы было к чему обращаться
likes = √ln(likes)
followers = √ln(followers)
video = √ln(video)
(likesfollowers)ln(√likesfollowers)√count_videos

likes = 500_000
followers = 10_000
video = 243

likes = √ln(500_000) = 3.622480279781289
followers = √ln(10_000) = 3.034854258770293
video = √ln(video) = 2,3437281078104065049127875397809
efficiency = 10,99369970440565 — (likes*followers)
boost = ln(√10,99369970440565) = 1,1986611772835586465490741228013
video = √243 = 1,5309239392636090413383031608292

10,993699704405651,19866117728355864654907412280131,5309239392636090413383031608292 = 20,17409 (округляем)

Такой получается балл аккаунта 20.17409
На самом деле до 100 гг как сложно добраться)) Там должны быть миллиарды на аккаунтах, чтобы хоть как то приблизиться)
Но самое важное, чтобы вроде бы все корректно выглядит)

Часть 2
Анализ видиков
Здесь происходит анализ отношение просмотров к показателю, а то есть : лайк, коммент , закладки, шаред

В целом, все показатели равные друг перед другом, можно конечно дать еще некоторые веса для этого, но не стал, ибо нет уверенности, что вот ну прям точно, что например, из за "поделились" больше видик набирает просмотры

Тут в целом практически такая же формула
x1 = √ln(x1)
x2 = √ln(x2)
res = (x1x2) ln(√(x1*x2))

тут где x1 в целом везде подставляется количество просмотров, а где x2 подставляются другие значения, опять же, лайки, комменты и т.д

В последующем это все дело суммируется

Просто тупо банально суммируется
all = res1 + res2 + res3 + res4 + res5 и получаем n-ый бал, например — 71.45167

Напоминаю, что есть еще одно призовое место, конкурс продолжается

Первый финалист есть!

Краткий гайд о том как удалять текст и изображения или любые другие объекты

Внимание!
Здесь присутствуют GAN нейройная сеть, есть предобученная модель, чтобы пощупать потрогать что вообще потенциально можно сделать. Но чтобы в идеале оно удаляло, необходимо обучить свою модель, либо сделать дообучение уже существующей(Я этим не занимался, юзал так как есть для удаления текста из видео)

Что понадобится:
1. Установить Pytorch
2. Немного вашей видюхи (можно и проц)
3. Пару картинок
4. Немного вашего времени

1) И так для того, чтобы удалить текст или объект с изображения, необходимо сделать маску для этого изображения. Спросите вы, как делать эту маску? Нужно просто на черном полотне сделать белый квадрат или любая другая производная форма. Для этого безусловно используем opencv2 или же Pillow , кому как удобнее, чтобы весь процесс был автоматизирован
2) После того как сделали маску, переходим в файл run.py и видим следующее

```
from model.inpainting import Inpainting

inpainting = Inpainting()

in_image = "input.jpg"
in_mask = "mask.jpg"
output = "output.jpg"
checkpoint = "./pretrained/states_pt_places2.pth"
inpainting = inpainting.inpainting(in_image, in_mask, output, checkpoint)
```

in_image — входящее изображение где необходимо удалить текст/объект
in_mask — входящая маска для изображения
output — выходное изобржение
checkpoint — путь к обученной модели для инпейнтинг
inpainting — непосредственно сам инпейнтинг

Запустили, чуть подождали, и у нас сохранилось изображение.

Я это юзал для того чтобы удалять текст с видосов для тиктока. То есть я обнаруживал тип текста на изображении, далее обнаруживал его bouding box, следом вырезал это, преобразовывал изображение в бинарность(черный фон, белый текст и по жирнее) , далее каждый кадр за кадром удалял, после склеивал все полученные изображения в видео , подставлял обратно звуковую дорожку, и у меня получалось в целом не плохо. Да, предупрежу сразу, все равно будет видно "замазывание", но чем лучше и точнее вы обрежете изображение, чем лучше подберете настройку маски, тем лучше будет результат + не забываем про то что модель можно так же еще обучить.

Этот класс Inpainting можно наследовать в другие классы, что удобно.

К сожалению, я утерял источник с гитхаба откуда я качал эту либу т.к это было почти пол года назад, что очень грустно (( Поэтому закидываю таким образом
VT: Клик

Ссылка на модель будет ниже, как загрузится, момент

Краткий гайд о том как детектить текст на изображении
Нам понадобится:
1. ~~Petyhon~~ Python
2. Tesseract и Tesseract
3. 10 минут вашего времени

И так, после как все дело скачали, произвели установку собственно Tesseract , создаем небольшой скриптец для Пайтона, выглядит этот код следующим образом

```
import pytesseract # импортируем либу

pytesseract.pytesseract.tesseract_cmd = r'C:/Program Files/Tesseract-OCR/tesseract.exe' # указываем путь до .exe Tesseract

custom_config = f"--oem 3 --psm 11 -l eng+rus -c tessedit_create_hocr=1" # конфиг для tesseract
text = pytesseract.image_to_string(image, config=custom_config, nice=1).replace('\n', ' ') # инициализация поиска текста
print(text)
```

PROFIT!

Тессеракт построен на Реккуретно-сверточной нейронной сети, если мне сейчас не изменяет, да и в прочем из логики это скорее всего так.
На счет конфига, нужно играться с ним и подбираться наилучшую конфигурацию. У Тессеракт достаточно емкая документация, можно к ней возвращаться сотни раз и узнавать что-то новое.

Так же, не забываем предварительно обрабатывать изображения при помощи того же opencv и конвертировать изображение в бинари (Строго черно-белый, без оттенков).

Так же можно дообучить свою модель для распознавания текста, чтобы именно ваш текст узнавал лучше, т.к могут быть ошибки. К примеру: Если вы плохо обработаете изображение или же буква будет не совсем ясна например "i" "l" то могут возникать ошибки.

С любовью!

Так же, для общего понимания как вообще учиться нейросеть и как она работает

Приведу простой пример

Вы знаете что такое яблоко, какова его текстура, форма, цвет, размер.
Вы знаете что такое апельсин, его текстура, форма, цвет и так же размер.

Вы знаете закономерность, что яблоко не может быть продолговатой формы как банан, и яблоко не имеет кожуру как апельсин.

Вы знаете закономерность, что апельсин оранжевого цвета, а яблоко скорее вы привыкли видеть зеленого/желтого/красного цвета.

И вы в режиме реального времени оцениваете вероятность и делаете прогноз, что яблоко не апельсин, а апельсин это не банан.

Наш мозг запоминает закономерность того или иного события/предмета и на основе этого делает прогнозы.

Нейросеть так же запоминает закономерности и делает на основе этого прогнозы

Вот и вся суть как работает/учиться нейросеть.