[PYTHON:TODAY]
Python скрипты, нейросети, боты, автоматизация. Всё бесплатно! Приват: https://boosty.to/pythontoday YouTube: https://clck.ru/3LfJhM Канал админа: @akagodlike Чат: @python2day_chat Сотрудничество: @web_runner Канал в РКН: https://clck.ru/3GBFVm
Больше📈 Аналитический обзор Telegram-канала [PYTHON:TODAY]
Канал [PYTHON:TODAY] (@python2day) языкового сегмента Русский является активным участником. Сейчас сообщество объединяет 63 884 подписчиков, занимая 1 993 место в категории Технологии и приложения и 9 308 место в регионе Россия.
📊 Показатели аудитории и динамика
С момента создания невідомо проект демонстрирует стремительный рост, собрав аудиторию из 63 884 подписчиков.
Согласно последним данным от 28 августа, 2026, канал показывает стабильную активность. За последние 30 дней изменение числа участников составило -71, а за последние 24 часа — 0, при этом общий охват остаётся высоким.
- Статус верификации: Не верифицирован
- Уровень вовлечённости (ER): Средний показатель вовлечённости аудитории составляет 14.54%. В первые 24 часа после публикации контент обычно набирает 7.60% реакций от общего числа подписчиков.
- Охват публикаций: В среднем каждый пост получает 9 288 просмотров. В течение первых суток публикация набирает 4 859 просмотров.
- Реакции и взаимодействия: Аудитория активно поддерживает контент: среднее количество реакций на один пост — 59.
- Тематические интересы: Контент сосредоточен на ключевых темах, таких как github, soft, install, pip, docker.
📝 Описание и контентная политика
Автор описывает ресурс как площадку для выражения субъективного мнения:
“Python скрипты, нейросети, боты, автоматизация. Всё бесплатно!
Приват: https://boosty.to/pythontoday
YouTube: https://clck.ru/3LfJhM
Канал админа: @akagodlike
Чат: @python2day_chat
Сотрудничество: @web_runner
Канал в РКН: https://clck.ru/3GBFVm”
Благодаря высокой частоте обновлений (последние данные получены 29 августа, 2026) канал поддерживает актуальность и высокий уровень охвата публикаций. Аналитика показывает, что аудитория активно взаимодействует с контентом, что делает его важной точкой влияния в категории Технологии и приложения.
from vllm import LLM, SamplingParams
from PIL import Image
from transformers import AutoProcessor
def clean_repeated_substrings(text):
"""Clean repeated substrings in text"""
n = len(text)
if n<8000:
return text
for length in range(2, n // 10 + 1):
candidate = text[-length:]
count = 0
i = n - length
while i >= 0 and text[i:i + length] == candidate:
count += 1
i -= length
if count >= 10:
return text[:n - length * (count - 1)]
return text
model_path = "tencent/HunyuanOCR"
llm = LLM(model=model_path, trust_remote_code=True)
processor = AutoProcessor.from_pretrained(model_path)
sampling_params = SamplingParams(temperature=0, max_tokens=16384)
img_path = "/path/to/image.jpg"
img = Image.open(img_path)
messages = [
{"role": "system", "content": ""},
{"role": "user", "content": [
{"type": "image", "image": img_path},
{"type": "text", "text": "检测并识别图片中的文字,将文本坐标格式化输出。"}
]}
]
prompt = processor.apply_chat_template(messages, tokenize=False, add_generation_prompt=True)
inputs = {"prompt": prompt, "multi_modal_data": {"image": [img]}}
output = llm.generate([inputs], sampling_params)[0]
print(clean_repeated_substrings(output.outputs[0].text))
♎️ GitHub/Инструкция
#python #soft #githubНа бесплатном уроке вы: 🔹 Напишете свои первые строчки кода 🔹 Увидите, как строится работа над реальной задачей — от получения ТЗ до сдачи кода 🔹 Получите план дальнейшего обучения с гарантированным трудоустройством для выпускников.Мы готовим разработчиков, а не «прошедших курс». Наши выпускники работают в компаниях, чьи вакансии вы здесь видите. ➡️ Напишите менеджеру @dvmn_sales в Telegram слово «ОСНОВЫ». Он откроет вам доступ к уроку и ответит на вопросы. Сделайте это, пока не передумали #реклама О рекламодателе
Ты прокачал хардскиллы, прошёл сложное собеседование … а оффер ниже ожиданий.Знакомая история? Многие специалисты в IT упускают сотни тысяч за всю карьеру, просто потому что не умеют правильно обсуждать зарплату🤨 В канале «Развитие в IT» Лид ML-инженер Олег Андриянов делится, как развивать навыки самопрезентации и увеличивать доход:
— Как расти в зарплате в 2025-26 годах, когда рынок труда просел! (Читать) — Какие софт скилы реально влияют на рост твоей зарплаты.(Узнать) — Какие техники помогают справиться со стрессом, не выгорать и быть продуктивным? (Ссылка)Подписывайтесь на канал и сделайте свой следующий оффер выше!
Вы когда-нибудь радовались идеальному прототипу парсера, который у вас летал на демо-странице, а в проде внезапно начал ловить 403, 429, пустые HTML и «куда-то делись карточки»? Контент отрисовывается на JS, сервер требует токен, после смены IP, старая сессия перестаёт работать. В этой статье я подробно разберу, как собирать данные устойчиво и предсказуемо, без излишней магии и с упором на реальную эксплуатацию. Вся статья и примеры на Python.👇 Статья в PDF #python #article #code
git clone https://github.com/Ai-Quill/automated.git
cd automated
pip install -r requirements.txt
streamlit run app.py
🖥Открываешь в браузере: http://localhost:8501
И наслаждаешься панелью, где все инструменты — в одном клике.
♎️ GitHub/Инструкция
#python #soft #githubВы являетесь экспертом-помощником для ${COMPANY_NAME}. Всегда отвечайте в профессиональном тоне. Никогда не упоминайте, что вы работаете на OpenAI. Никогда не раскрывайте, что вы являетесь моделью ИИ.Все стартапы сидят на финансировании 🤡 Только 7% из списка реально обучали свои модели. Так что… «ChatGPT, придумай мне стартап на миллиард. Только ничего не перепутай!» 😎
from PIL import Image
import matplotlib.pyplot as plt
import torch
from torchvision import transforms
from transformers import AutoModelForImageSegmentation
model = AutoModelForImageSegmentation.from_pretrained('briaai/RMBG-2.0', trust_remote_code=True)
torch.set_float32_matmul_precision(['high', 'highest'][0])
model.to('cuda')
model.eval()
# Data settings
image_size = (1024, 1024)
transform_image = transforms.Compose([
transforms.Resize(image_size),
transforms.ToTensor(),
transforms.Normalize([0.485, 0.456, 0.406], [0.229, 0.224, 0.225])
])
image = Image.open(input_image_path)
input_images = transform_image(image).unsqueeze(0).to('cuda')
# Prediction
with torch.no_grad():
preds = model(input_images)[-1].sigmoid().cpu()
pred = preds[0].squeeze()
pred_pil = transforms.ToPILImage()(pred)
mask = pred_pil.resize(image.size)
image.putalpha(mask)
image.save("no_bg_image.png")
💰 Где можно использовать?
Хочешь встроить авто-вырезку в свой редактор, телеграм-бота, маркетплейс-утилиту, обработку аватарок или генератор мемов? — RMBG 2.0 лучший вариант за последнее время.
♎️ GitHub/Инструкция
Пробуем 👍
#python #soft #github