🔥 Полезные библиотеки Python

Bad Posture — система, которая помогает следить за осанкой в режиме реального времени с использованием технологий компьютерного зрения. Она создана, чтобы поддерживать правильную осанку и уменьшать напряжение в шее.

Основные функции:

💬 Отслеживание положения тела через веб-камеру;
💬 Мониторинг угла наклона шеи;
💬 Визуальные подсказки и звуковые сигналы при нарушении осанки;
💬 Таймер, фиксирующий продолжительность плохой осанки.

Для работы потребуется Python, веб-камера и устройство с аудиовыходом. Отличное решение для тех, кто хочет заботиться о своей осанке! 😎

⚙️ GitHub/Инструкция

#python #js #soft #github

🔥 Полезные библиотеки Python

🔉 Lyrebird — простая в использвоании утилита для изменения голоса написанная на Python.

💬 Есть встроенные эффекты для мужских и женских голосов;
💬 Возможность создавать и загружать пользовательские пресеты;
💬 Шкала для более точной настройки;
💬 Создает собственное временное виртуальное устройство ввода;
💬 Имеет простой в использовании графический интерфейс.

⚙️ GitHub/Инструкция

#python #soft #github

🔥 Полезные библиотеки Python

Chaplin — утилита для визуального распознавания речи по губам (VSR), которая считывает движения ваших губ и мгновенно преобразует их в текст.

Ключевые особенности:
💬 Мгновенное распознавание: Реагирует на движения губ в реальном времени.
💬 Полная локальная работа: Все процессы выполняются на вашем устройстве, обеспечивая конфиденциальность данных.
💬 Открытый исходный код: Доступен для сообщества разработчиков на GitHub.

Как это работает? Chaplin использует модель, обученную на наборе данных Lip Reading Sentences 3 (LRS3), что позволяет ему точно интерпретировать чтение по губам.

Установка:

$ git clone https://github.com/amanvirparhar/chaplin
$ cd chaplin

Далее качаем необходимые модели, ссылки на GitHub

Пример использования:

$ sudo uv run --with-requirements requirements.txt --python 3.12 main.py config_filename=./configs/LRS3_V_WER19.1.ini detector=mediapipe

⚙️ GitHub/Инструкция

#python #soft #github

🔥 Полезные библиотеки Python

FinanceToolkit — Набор инструментов с открытым исходным кодом, в котором все соответствующие финансовые коэффициенты (более 130) и показатели эффективности записаны самым упрощенным, доступным и понятным каждому способом.

Finance Toolkit предоставляет не только информацию об акциях. Но и валюты, криптовалюты, ETF, взаимные фонды, индексы, денежные рынки, товары и т.д. Finance Toolkit можно использовать для получения исторических данных, а также важных показателей производительности и риска, таких как коэффициент Шарпа и стоимость под угрозой.

👨‍💻 Что впоследствии даёт возможность запускать анализ стоимости акций.

Набор инструментов дополнен Базой данных финансов 🌎, содержащей более 300 000 символов, акции, ETF, фонды, индексы, валюты, криптовалюты и денежные рынки. Используя оба варианта, можно провести полноценный конкурентный анализ с помощью тикеров.

Установка:

$ pip install financetoolkit -U

Пример использования:

from financetoolkit import Toolkit

companies = Toolkit(["AAPL", "MSFT"], api_key=API_KEY, start_date="2017-12-31")

# a Historical example
historical_data = companies.get_historical_data()

# a Financial Statement example
income_statement = companies.get_income_statement()

# a Ratios example
profitability_ratios = companies.ratios.collect_profitability_ratios()

# a Models example
extended_dupont_analysis = companies.models.get_extended_dupont_analysis()

# a Performance example
factor_asset_correlations = companies.performance.get_factor_asset_correlations(period='quarterly')

# a Risk example
value_at_risk = companies.risk.get_value_at_risk(period="weekly")

# a Technical example
ichimoku_cloud = companies.technicals.get_ichimoku_cloud()

🔐API ключ можно получить бесплатно

⚙️ GitHub/Инструкция

#python #soft #github

🔥 Оживляем пиксели по-взрослому!

Lada — умное Python приложение на базе ИИ, предназначенное для восстановления пикселизированных, "взрослых" видео и возвращение картинке былой чёткости 😈

Работать с ним можно как через удобный графический интерфейс, так и прямо из командной строки.

⚠️ Что важно знать:

➡️ Нужна видеокарта Nvidia с поддержкой CUDA;
➡️ Для видео в 1080p потребуется минимум 6–8 ГБ видеопамяти, для 4K — желательно побольше.
➡️ Всё восстановленное видео можно сохранить в отдельный файл — без искажений и артефактов.

⚙️ GitHub/Инструкция

@githubdevs

#python #soft #github