🤞🏼 🤘🏼 🙍🏽 हम सिनेमाघरों में कैसे विश्लेषण किया जाता है ... और न केवल 🤦🏼 💏 🛥️

कंप्यूटर दृष्टि तेजी से हमारे जीवन में एकीकृत है। साथ ही, हमें यह सब देखने का भी ध्यान नहीं है। आज हम एक ऐसी प्रणाली के बारे में बात करेंगे जो सम्मेलनों में, शैक्षिक प्रक्रिया में, सिनेमाघरों में आगंतुकों की भावनाओं का विश्लेषण करने में मदद करती है, और बहुत कुछ। वैसे, हम कोड दिखाएंगे और व्यावहारिक मामलों के बारे में बात करेंगे। बिल्ली के नीचे देखो!

मैं लेखक को मंजिल देता हूं।

क्या आप हमेशा हॉल, कक्षा, कार्यालय में दर्शकों को जानना चाहते हैं और इसे प्रबंधित करना चाहते हैं? सवाल बिल्कुल बेकार नहीं है। यह एक ऑफ़लाइन दर्शकों के बारे में है। व्यावसायिक प्रदर्शन को बेहतर बनाने के लिए, आपके ग्राहक के व्यवहार, उसकी प्रतिक्रियाओं और इच्छाओं के बारे में जानकारी होना एक महत्वपूर्ण आवश्यकता है। इन आंकड़ों को कैसे इकट्ठा किया जाए?

एक ऑनलाइन दर्शकों के साथ, सब कुछ आसान है। यदि व्यवसाय इंटरनेट पर स्थित है, तो विपणन बहुत सरल है और आपके ग्राहकों की प्रोफ़ाइल पर डेटा एकत्र कर रहा है, और फिर असीमित समय के लिए इसे "पकड़" भी काफी सरल है। बहुत सारे उपकरण - ले और उपयोग करें, लागत उठाना है।

ऑफ़लाइन मोड में, वही विधियां लागू होती हैं जो उन्होंने 50 साल पहले की थीं: प्रश्नावली, प्रश्नावली, एक नोटबुक के साथ बाहरी पर्यवेक्षक, आदि। इन तरीकों की गुणवत्ता खराब है। विश्वसनीयता संदिग्ध है। सुविधा के बारे में, आप आमतौर पर चुप हो सकते हैं।

इस लेख में, हम CVizi के नए समाधान के बारे में बात करना चाहते हैं, जो दिलचस्प और अद्वितीय आंकड़े एकत्र करता है और कंप्यूटर विज़न का उपयोग करके अपने ग्राहकों / आगंतुकों के बारे में जानकारी का विश्लेषण करने में मदद करता है।

वीडियो एनालिटिक्स और मूवी थिएटर

प्रारंभ में, उत्पाद सिनेमा दर्शकों की गिनती और सेवा कर्मियों के अनुशासनात्मक नियंत्रण और उल्लंघन को रोकने के लिए खरीदे गए टिकटों के साथ उनकी संख्या की तुलना करने के लिए एक उपकरण के रूप में विकसित किया गया था। लेकिन जैसा कि वे कहते हैं, भूख खाने के साथ आती है।

विकसित तकनीक ने समाधान की क्षमताओं का विस्तार करने की अनुमति दी। सिनेमा आगंतुकों की उम्र और लिंग विशेषताओं को निर्धारित करना संभव हो गया, साथ ही साथ सत्र के दौरान प्रत्येक व्यक्ति की भावनात्मक पृष्ठभूमि का निर्धारण करना।

जानकारी को तुरंत अपडेट किया जाता है और उपयोगकर्ता को केवल आपके व्यक्तिगत खाते में जाने और दर्शकों के हितों के सत्र या दर्शकों पर एक विश्लेषणात्मक रिपोर्ट देखने की आवश्यकता होती है।

उदाहरण के लिए, हम फिल्म "आइस" के साथ एक सत्र खोलते हैं और हम हॉल के रीप्लेग्राम पर महिला दर्शकों के स्पष्ट प्रभुत्व (सैद्धांतिक रूप से, अनुमानतः) देखते हैं। और फिर हम उन भावनाओं को देखते हैं जिन्हें लोगों ने अनुभव किया (हर कोई देख सकता है)।

यह एक विशिष्ट सत्र के लिए डेटा था। अब फिल्म के पूरे किराये की अवधि (एक सिनेमा में) के लिए सामान्य रूप से एक ही डेटा को देखें और अधिक प्रासंगिक चित्र प्राप्त करें।

उपस्थिति के संदर्भ में, 25-34 वर्ष की आयु के महिला दर्शकों का स्पष्ट प्रभुत्व है। पुरुष 2.5-3 गुना कम हैं। यानी एक विज्ञापन इकाई में एक नई एसयूवी में विज्ञापन एक नए काजल में डालने के रूप में स्मार्ट नहीं है। हालांकि यह एक मूट प्वाइंट है। लेकिन किसी भी मामले में, बस कुछ दिनों के किराये के बाद, आप विज्ञापनदाता को लक्षित दर्शकों की गारंटी दे सकते हैं, और मात्रात्मक शब्दों में भी।

भावनात्मक पृष्ठभूमि के दृष्टिकोण से, चित्र मुख्य रूप से वितरकों और वितरकों के लिए दिलचस्पी का होगा। फिल्म किसकी मर्जी, और किसकी नाराज़गी? क्या मुझे सीक्वल शूट करना चाहिए? बॉट की समीक्षाओं पर विश्वास करें या विश्वसनीय आंकड़े प्राप्त करें? इस मामले में (फिल्म "बर्फ"), फिल्म भावनाओं में काफी उज्ज्वल है। सकारात्मक और नकारात्मक भावनाओं का योग 100 तोतों में से 18.5 है। शेष तटस्थ है। यह एक बहुत अच्छा संकेतक है। तुलना के लिए, अन्य फिल्मों में भावनात्मक पृष्ठभूमि इतनी रसपूर्ण नहीं हो सकती है (औसतन सभी उम्र और लिंग के लिए एक अस्पताल में)।

उदाहरण के लिए, समान अवधि में दर्शकों की तुलनात्मक संख्या के साथ, प्रशांत फ्रंटियर में 2 गुना कम सकारात्मक भावनाएं हैं। और फिल्म "हैलो, ओक्साना सोकोलोवा" महिलाओं के लिए ऐसी ही एक खोज है "50+"।

ये सभी विश्लेषण के कुछ उदाहरण हैं जिनका उपयोग मूवी नेटवर्क में किया जा सकता है। उनके पास बस यह जानकारी नहीं थी, और बहुत कम लोग जानते हैं कि यह बिल्कुल भी प्राप्त किया जा सकता है, और इससे भी अधिक अपने स्वयं के उपयोग के लिए।

मूवी नेटवर्क के लिए, दर्शकों की संरचना और विभिन्न इलाकों में फिल्मों के प्रति उनकी प्रतिक्रिया के अनुसार हॉल में क्या हो रहा है, इसके गहन विश्लेषण के लिए महान अवसर खुलते हैं।

आप तुरंत निम्नलिखित पर प्रकाश डाल सकते हैं :

किसी भी विपणन परिकल्पना का परीक्षण करने की क्षमता वास्तविक समय की प्रतिक्रिया प्राप्त करना है और दर्शकों के बदलाव और विपणन गतिविधियों के प्रभाव का निष्पक्ष मूल्यांकन करना है।
विज्ञापन देखने वाले दर्शकों के बारे में सटीक जानकारी के साथ विज्ञापनदाताओं को प्रदान करने की क्षमता। इससे भी अधिक, कुछ दर्शकों के समूहों द्वारा विज्ञापन देखने की गारंटी देना विज्ञापनदाता के लिए संभव है।
काम की मौजूदा योजना को तोड़ने और मौजूदा वित्तीय संकेतकों को कम नहीं करते हुए, एक निश्चित आयु और लिंग के आगंतुकों के लिए बाजार पर अद्वितीय विपणन ऑफ़र बनाने की क्षमता (छूट)।

ये और कई अन्य अवसर जो इस निर्णय के लिए उत्पन्न हुए हैं, सिनेमा नेटवर्क के बाजार को चालू करने, राजस्व बढ़ाने और व्यक्तिगत सिनेमाघरों और पूरे नेटवर्क दोनों की दक्षता में सुधार करने में सक्षम हैं।

यह देखते हुए कि समाधान "आसान" है (कोई सर्वर नहीं, इंटरनेट के लिए कोई स्ट्रीमिंग नहीं), सक्रिय रूप से Microsoft Azure क्लाउड का उपयोग करता है और बाजार के लिए सस्ती कीमतें हैं (सेवा के लिए आवधिक सदस्यता के रूप में), रूस और विदेशों में सिनेमा नेटवर्क इसके लिए सक्रिय रूप से सक्रिय हैं।

इसके अलावा, बनाई गई तकनीक समानांतर क्षेत्रों में अन्य समाधानों में परिलक्षित होती है।

वीडियो एनालिटिक्स और ईवेंट

कार्यक्रम, कार्यक्रम, मंच, शिखर सम्मेलन, सम्मेलन, संगोष्ठी ... आयोजकों को नए दर्शकों के बारे में क्या पता है? एक्स लोगों ने पंजीकृत किया, वाई आया, जेड ने प्रश्नावली भरी। यह लगभग सभी है।

सवाल करना एक अलग दर्द है: "तो, मैं इस कॉमरेड को अच्छी तरह से जानता हूं, मैं उसे 5 अंक दूंगा, हालांकि रिपोर्ट उबाऊ थी।" हम इस तथ्य की ओर अग्रसर हैं कि प्रश्नावली की विश्वसनीयता कम है।
सम्मेलन की प्रभावशीलता को समझने के लिए, प्रतिभागियों से लेकर आयोजक और प्रायोजकों तक की प्रतिक्रिया आवश्यक है।

सिनेमाघरों में दर्शकों के विश्लेषण की सेवा पूरी तरह से सम्मेलन स्थल में स्थानांतरित हो जाती है। CVizi ने दो प्रयोगों का आयोजन करके इस मामले का परीक्षण भी किया: एक कॉन्फ्रेंस में स्कोल्कोवो में Matrex हॉल में और कल्पना अक्टूबर 2018 छात्र प्रौद्योगिकी परियोजनाओं की प्रतियोगिता के रूसी फाइनल के दौरान डिजिटल अक्टूबर हॉल में।

प्रयोग 1. स्कोल्कोवो में मैट्रेक्स हॉल

मैट्रेक्स में, स्क्रीन के ऊपर कैमरा स्थापित नहीं किया गया था, जैसा कि एक फिल्म थिएटर में, लेकिन वक्ताओं के पीछे एक दूरबीन स्टैंड पर। इस प्रकार, समाधान मोबाइल निकला। कैमरे को स्थापित करने, हॉल के एक प्लेनोग्राम को स्थापित करने और बोलने वालों के समय में प्रवेश करने से कुछ घंटे पहले ही इसकी आवश्यकता होती है। फिर सिस्टम ही सब कुछ करता है।

अब आयोजक हॉल में प्रतिभागियों की संख्या और प्रत्येक सत्र / रिपोर्ट में उनकी भावनाओं के माध्यम से रिपोर्ट की गुणवत्ता पर डेटा एकत्र कर सकता है। और अगली बार आप वस्तुनिष्ठ तथ्यों के आधार पर एक घटना की योजना बना सकते हैं। ऐसी रिपोर्टें हैं, जिसके बाद प्रतिभागी बस कमरे से बाहर निकल जाते हैं, और अगला स्पीकर उन लोगों के साथ काम करता है, जिनके पास रहने का समय नहीं था या नहीं है। यह गलत है, और इस तरह के पूर्वानुमान केवल रिपोर्टों को पुन: व्यवस्थित करके प्रभाव को नाटकीय रूप से बदल सकते हैं।

प्रयोग 2. रूसी अंतिम कल्पना कप

यहां लक्ष्य कुछ अलग था, लेकिन दृष्टिकोण समान है। प्रतियोगिता के नामांकन में से एक दर्शकों का पुरस्कार है। यह वे दर्शक हैं जो हॉल में बैठे हैं, न कि ऑनलाइन दर्शक। और पहली बार इमेजिन कप में, दर्शकों की पसंद पुरस्कार कृत्रिम बुद्धि द्वारा चुनी गई टीम को प्रदान किया गया। टीम जीत गई, जिनके प्रदर्शन पर दर्शकों ने सबसे अधिक सकारात्मक प्रतिक्रिया व्यक्त की, जबकि लोग मंच पर थे। इसके लिए, पहले से ही दो कैमरों का उपयोग किया गया था, जिनमें से प्रत्येक ने हॉल के अपने स्वयं के क्षेत्र को लगातार नियंत्रित किया और प्रत्येक दर्शक की भावनात्मक विशेषताओं को एकत्र किया।

इस मामले में, कैमरों को मंच के ऊपर एक प्रकाश मस्तूल पर लटका दिया जा सकता है, जिससे उनकी गारंटीकृत स्थिरता और गतिहीनता सुनिश्चित होती है। और यह भी कि हम एक बार फिर आश्वस्त थे कि 4 जी इंटरनेट काम करने के लिए पर्याप्त है। सिस्टम जितना संभव हो उतना स्वायत्त निकला। आयोजकों से केवल 220 वी की आवश्यकता थी। यह वास्तव में महत्वपूर्ण है, क्योंकि इस पैमाने की घटनाओं पर, संचार चैनल हमेशा एक अड़चन होते हैं, और सेवा की गुणवत्ता सीधे इंटरनेट चैनल की स्थिरता पर निर्भर करती है।

परिणामस्वरूप, दर्शकों के पुरस्कार को उस टीम को प्रदान किया गया जिसने अपने प्रदर्शन के लिए सकारात्मक भावनाओं की अधिकतम संख्या दर्ज की - एनएनएसई से अंतिम दिन विकास। Lobachevsky।

वीडियो एनालिटिक्स और सीखने

अपनी प्रक्रियाओं के स्वचालन के मामले में शिक्षा का क्षेत्र अभी भी बाकी उद्योगों से बहुत पीछे है। उदाहरण के लिए, कई विश्वविद्यालयों में, एक पत्रिका के साथ बाहरी नियंत्रक के रूप में उपस्थिति नियंत्रण का अभी भी अभ्यास किया जाता है: एक व्यक्ति ने व्याख्यान में छात्रों की गणना की, पत्रिका में कुछ संख्या दर्ज की (क्या सवाल?), और चला गया।

कंप्यूटर दृष्टि विधियों द्वारा दर्शकों के विश्लेषण की तकनीक पूरी तरह से शिक्षा के क्षेत्र में फिट होती है और प्रयोग और विश्लेषण के लिए एक बड़े क्षेत्र को खोलती है। हल किए जाने वाले संभावित कार्य:

कक्षा उपस्थिति की निगरानी
छात्र की पहचान
शिक्षण गुणवत्ता मूल्यांकन
छात्र की नकारात्मक भावनाओं की पहचान और निवारक उपायों को अपनाना।
स्कूल में एक छात्र या छात्र की भागीदारी का आकलन।

समय सारिणी सहित शैक्षिक प्रक्रिया की उचित योजना, व्याख्याताओं की पसंद - यह शिक्षा की सफलता का आधार है। लेकिन वास्तव में, अगर हम आर्थिक क्षेत्र में स्थानांतरित होते हैं, तो यह प्रत्येक छात्र के संदर्भ में शिक्षा की लागत है।

अन्य उद्योगों में वीडियो एनालिटिक्स

CVizi तकनीक प्रस्तुत समाधानों तक सीमित नहीं है, खुदरा और उत्पादन के लिए समाधान हैं।

उदाहरण के लिए, एक दिलचस्प समाधान स्टोर के बाहरी और आंतरिक रूपांतरण के बारे में जानकारी प्राप्त करना है। ये दो संकेतक आपको ऑफ़लाइन बिक्री फ़नल बनाने की अनुमति देते हैं:

आपके स्टोर के पास कितने लोग चलते हैं;
कितने लोगों ने इसमें प्रवेश किया;
कितने लोग कैश रजिस्टर में मिले।

मॉस्को में एक शॉपिंग सेंटर में स्थित एक विशिष्ट स्टोर के लिए बाहरी रूपांतरण का एक उदाहरण है:

इन संकेतकों के साथ, एक व्यवसाय अधिक प्रभावी ढंग से ग्राहकों को आकर्षित करने, विपणन परिकल्पना के परीक्षण पर और सेवा की गुणवत्ता पर पैसा खर्च कर सकता है।

यह कैसे काम करता है?

अब मैं टेक्नोलॉजी के बारे में थोड़ी बात करना चाहता हूं। हम क्यों कहते हैं कि समाधान "आसान" है? यह सब वास्तुकला के बारे में है। किसी भी ग्राहक के लिए एक महंगा समाधान खरीदना हमेशा एक बोझ होता है, और इसके अलावा, विभिन्न सर्वरों, रजिस्ट्रार और अन्य चीजों के रूप में उपकरणों का एक बेड़ा। और फिर यह सब सेट करने के लिए, एक दूसरे के साथ जोड़ी बनाने के लिए और साथ। यदि ग्राहक को एक माइक्रो कंप्यूटर के रूप में एक बॉक्स मोबाइल फोन के आकार की पेशकश की जाती है, तो कोई भी व्यक्ति जो तकनीक से कम से कम कुछ परिचित है, वह इसे अपने स्थानीय नेटवर्क पर स्थापित कर सकता है और आईपी वीडियो कैमरा लटका सकता है। घर पर वाई-फाई राउटर के साथ समानता खुद को बताती है - मैंने इसे पावर आउटलेट में प्लग किया, इंटरनेट से कनेक्ट किया, सबसे सरल सेटिंग्स बनाईं। वह सब है। कोई बिक्री के बाद सेवा की जरूरत है। सब कुछ बहुत आसानी से स्वतंत्र रूप से किया जाता है।

और फिर व्यक्तिगत खाते में उपयोगकर्ता पूरे सिस्टम को देखता है और रिपोर्ट और सांख्यिकी लॉग के रूप में डेटा प्राप्त कर सकता है, और एपीआई का उपयोग करते हुए, इस डेटा को अपने कॉर्पोरेट आईटी सिस्टम में ले जाता है।

इस प्रकार, उपयोगकर्ता को बुनियादी ढांचे के बारे में सोचने और देखभाल करने की आवश्यकता नहीं है। एस-बॉक्स कंप्यूटिंग डिवाइस कनेक्ट करना बहुत आसान है। अन्य बिंदुओं के समाधान की नकल करना भी आसान है - कैमरों को लटका दिया, एस-बॉक्स की आवश्यक संख्या को कनेक्ट किया और तुरंत आपके खाते में पोर्टल पर ऑब्जेक्ट को देखा।

पोर्टल और व्यक्तिगत खाते के तहत एज़्योर बादलों में तैनात एनालिटिक्स, डेटाबेस स्टोरेज, उपकरण निगरानी और अधिसूचना की एक पूरी प्रणाली है। सिस्टम लचीला है और सभी आवश्यक कंप्यूटिंग संसाधन स्वचालित रूप से उपयोगकर्ता को आवंटित किए जाते हैं। इसलिए, उपकरण और उसके समर्थन पर संपूर्ण सिरदर्द उपयोगकर्ता से हटा दिया जाता है। वह केवल एक वीडियो विश्लेषण सेवा खरीदता है। बहुत सहज है।

दर्शकों के वीडियो विश्लेषण के लिए कौन से कैमरों का उपयोग किया जा सकता है?

यह देखते हुए कि अंत में आपको स्वीकार्य गुणवत्ता में दर्शक का चेहरा प्राप्त करने की आवश्यकता है, सबसे पहले, अच्छा प्रकाशिकी और ज़ूम के साथ कैमरा होना चाहिए, और, दूसरा, नियंत्रित - पीटीजेड।
हमने विभिन्न ब्रांडों के एक दर्जन से अधिक कैमरों का परीक्षण किया। हम विशिष्ट कैमरा मॉडल का नाम नहीं देंगे, लेकिन विशेषताओं को आवाज दी जा सकती है।

150-200 लोगों के हॉल के लिए, 2MP मैट्रिक्स के साथ एक 20x कैमरा पर्याप्त है। 200 से अधिक लोगों के हॉल के लिए 25x और उससे अधिक के कैमरों का उपयोग करना बेहतर है। वे निश्चित रूप से अधिक महंगे हैं, लेकिन यह सही तरीका है। हालांकि, बेशक, आप मैट्रिक्स के आकार के साथ भी खेल सकते हैं, लेकिन आपको यह समझना चाहिए कि आईआर स्पेक्ट्रम में मैट्रिक्स शोर करेगा और ऑप्टिकल ज़ूम हमेशा डिजिटल के लिए बेहतर होगा।

मान्यता सटीकता

हम अपने आप को चेहरे पर जितना करीब रखेंगे, उतना ही साफ होगा। सब कुछ स्पष्ट होने लगता है, और बच्चा समझता है। लेकिन अगर लिंग की मान्यता के साथ सब कुछ अच्छा है, तो कैमरे की निकटता की परवाह किए बिना, उम्र का निर्धारण करने की सटीकता आसानी से or 5 साल या इससे भी अधिक हो सकती है। और यहाँ बिंदु एल्गोरिदम और तंत्रिका नेटवर्क की गुणवत्ता में नहीं है, लेकिन इस तथ्य में कि प्रत्येक वयस्क ने अपनी उपस्थिति में जितना निवेश किया है, उसे देखने की कोशिश करता है।

इसलिए, कैमरा वह आयु देगा जिस पर कोई व्यक्ति दिखता है या देखने की कोशिश करता है। यानी फोटो के अनुसार जैविक उम्र और उम्र - ये दो बड़े अंतर हो सकते हैं। आखिरकार, हम में से प्रत्येक ऐसे मामलों को याद कर सकता है, जब उसे वार्ताकार की आयु रेटिंग में गलत माना गया था। इसी समय, मानव मस्तिष्क एक बहुत शक्तिशाली और अच्छी तरह से प्रशिक्षित तंत्रिका नेटवर्क है।

Azure और इसकी सेवाएं

इस सब के बीच में Microsoft फेस एपीआई संज्ञानात्मक सेवा है। यह एक बहुत ही सुविधाजनक सेवा है और एपीआई लगभग किसी भी सामान्य विकास के वातावरण से पहुँचा जा सकता है। हम पायथन का उपयोग करके अपनी अधिकांश सेवाओं का उपयोग करते हैं - यह क्लाउड की तरफ है।

सामान्य अनुक्रम इस तरह दिखता है:

1) एस-बॉक्स चित्रों को क्लाउड में स्थानांतरित करता है

2) क्लाउड सेवा उन्हें जमा करती है, उन्हें सॉर्ट करती है और उन्हें फेस डिटेक्शन कॉग्निटिव सर्विसेज में फीड करती है। एकत्रित चित्रों को क्लाउड पर अपलोड करने के लिए, पायथन का उपयोग करें:

def upload_file(file_path, upload_file_type):
    """ Uploading file """
    ...
    if authData == '' or authData == 'undefined':
        ...
        try:
            r = requests.post(param_web_service_url_auth, headers={'authentication': base64string})
            if r.status_code == 200:
                authData = json.loads(r.text)['token']
                result = upload_file(file_path, upload_file_type)
                return result
            logging.error("Upload_file(%s) - UNEXPECTED AUTH RESULT CODE %d", file_path, r.status_code)
        except Exception as e:
            logging.error('Upload_file(%s) error', file_path)
            logging.exception('Upload exception ' + str(e))
        return False
    try:
        base_name = os.path.basename(file_path)
        txt_part, file_extension = os.path.splitext(base_name)
        files = {'file': open(file_path, 'rb')}
        ...
        if upload_file_type == 1:  # for upload full view
            ...
            payload = {'camid': cam_id, 'dt': dt, 'mac': mac}
            z = requests.post(uploaddatalinkhall, headers={'authentication': authData}, files=files, data=payload)
            if z.status_code == 200:
                return True
            logging.debug('post result -> %d', int(repr(z.status_code)))
        if upload_file_type == 0:
            ...
            payload = {'camid': cam_id, 'dt': dt, 'json_str': json_str, 'mac': mac}
            ...
            z = requests.post(param_web_service_url, headers={'authentication': authData}, files=files, data=payload)
            myfile.close()
            if z.status_code == 200:
                ...
                if len(debug_path) > 0:
                    # move
                    fnn = debug_path + os.sep + json_file
                    shutil.move(upload_folder + os.sep + json_file, fnn)
                else:
                    # delete
                    os.remove(upload_folder + os.sep + json_file)
                return True
            result = "UNEXPECTED STATUS CODE " + repr(z.status_code)
            logging.error('upload_file(%s) - ERROR. Res=%s, text: %s',
                          json_file, result, z.text)
        ...
    except Exception, e:
        ...
        logging.exception('Upload exception: ' + str(e))
    return False

3) Python

CF.face.detect , , MS Face detection Cognitive Service API, :

def faceapi_face_detect(url):
    …
    # API call
    image_url = url
    need_face_id = False
    need_landmarks = False
    attributes = 'age,gender,smile,facialHair,headPose,glasses,emotion,hair,makeup,accessory,occlusion,blur,exposure,noise'
    watcher = elapser_mod.Elapser()
    try:
        api_res = CF.face.detect(image_url, need_face_id, need_landmarks, attributes)
        # callback(url, need_face_id, need_landmarks, attributes, e.elapsed(), api_res)
        text = 'CF.face.detect image_url {}, need_face_id {}, need_landmarks {}, attributes {}, completed in {} s.'. \
            format(image_url, need_face_id, need_landmarks, attributes, watcher.elapsed())
        printlog(text)
        text2 = 'Detected {} faces.'.format(len(api_res))
        printlog(text2)
        text3 = '{}'.format(api_res)
        printlog(text3)
    except CF.CognitiveFaceException as exp:
        text = '[Error] CF.face.detect image_url {}, need_face_id {}, need_landmarks {}, attributes {}, failed in {} s.'. \
            format(image_url, need_face_id, need_landmarks, attributes, watcher.elapsed())
        printlog(text)
        text2 = 'Code: {}, Message: {}'.format(exp.code, exp.msg)
        printlog(text2)
        message = exp.msg
    …
    return api_res, message

. () . . , . . – .

? ! . API. – , , . , () .., «» . . .

.

— CVizi. : 'aosipov @ cvizi.com'. FB .

हम सिनेमाघरों में कैसे विश्लेषण किया जाता है ... और न केवल