# 应用场景

## 艺术·图像风格转换
对于美术学生而言，人工智能的图像风格转换技术为他们的学习和创作过程带来了新的机会和体验。这项技术允许他们将自己的作品以不同的艺术风格重新呈现，从而探索艺术世界的多样性。学生通过这一技术可以更深入地了解不同风格的特点，加强他们的艺术视野。

此外，这项技术也在创意激发方面发挥着重要作用。学生可能会陷入创作瓶颈，难以找到新的灵感。图像风格转换可以成为他们的创意引擎，通过将作品转换为不同风格，激发新的创作思路，让他们的作品更具独特性和创新性。

对于那些希望学习不同艺术家风格的学生来说，这项技术提供了模仿的机会。他们可以将自己的作品转换为大师的风格，深入研究并模仿他们的技巧和方法，从而不断提升自己的绘画技能。

将人工智能技术与传统艺术技能相结合，可以丰富学生的学习体验，创造更多的艺术可能性。

### 样例介绍
- **功能**：使用AnimeGAN模型对输入图片进行动漫风格化处理
- **样例输入**：原始图片jpg文件
- **样例输出**：动漫风格的图像

选择一张图像作为风格转换的输入

<img src="_static/images/animegan_input.jpg" alt="IP Setting" width="65%">


根据选择的图像，使用`AnimeGAN V2`模型对其进行风格转换


```python
import cv2
import matplotlib.pyplot as plt

model_file = 'animeGAN/model/AnimeGANv2_256.om'
cartoon_img = AnimeGAN.infer(image_file, model_file, 256)

plt.imshow(cartoon_img)
plt.axis('off')
plt.show()
```

    [INFO]	Init model resource start...
    [INFO]	AclLiteModel create model output dataset:
    [INFO]	malloc output 0, size 786432
    [INFO]	Create model output dataset success
    [INFO]	Init model resource success
    [INFO]	AclLiteImageProc vpc crop and paste stage:
    [INFO]	AclLiteImageProc vpc crop and paste stage success
    [INFO]	in pre_process, use time:0.010192155838012695
    [INFO]	in post_process, use time:0.16803503036499023

<img src="_static/images/animegan_output.png" alt="IP Setting" width="65%">

### 参考链接
- https://github.com/TachibanaYoshino/AnimeGAN
- https://gitee.com/ascend/samples/tree/master/python/level2_simple_inference/6_other/animeGAN_picture

## 体育·俯卧撑姿态检测
人体姿态检测技术是一种基于深度学习的技术，可以识别出人体的关键点和骨架，以获取人体的姿态信息。在这个过程中，计算机会根据已有的数据集进行训练，以识别出不同的姿态。

基于人工智能的人体姿态检测技术可以对学生的体育学习产生积极影响。首先，该技术能够及时捕捉学生的运动姿势，提供即时的纠正和指导，帮助他们避免错误姿势造成的伤害，养成正确的运动习惯。其次，学生可以利用这项技术在自主学习和练习中受益。通过移动设备或计算机，他们可以观察自己的姿势，对照正确标准进行调整，逐步完善体育动作。

此外，实时反馈使得学生能够即刻调整姿势，提高练习效率与准确性。技术不仅能引导学生迈向更高难度的训练，还记录姿势数据，帮助教师更好地分析学生的进步和问题，提供个性化的指导。

### 样例介绍
Mediapipe是Google的一个开源项目，可以提供开源的、跨平台的常用机器学习(machine learning)方案。Mediapipe实际上是一个集成的机器学习视觉算法的工具库，包含了人脸检测、人脸关键点、手势识别、头像分割和姿态识别等各种模型。

俯卧撑姿态检测采用了Mediapipe方案实现了对俯卧撑的识别以及计数，并且进行了可视化；即当所做的俯卧撑动作规范时，才会进行计数，否则将不进行计数。

```python
cap = cv2.VideoCapture('Human_posture_detection/resources/sample_video.mp4')

detector = poseDetector()
counter =  pushUpsCount(110, 150)
```

![Sports](_static/images/sports.png)

### 参考链接
- https://github.com/google/mediapipe

## 文学·picoGPT语句续写
基于人工智能的GPT（生成式预训练）技术在学生学习文学方面发挥着重要作用。首先，它能够辅助学生深入分析和解读文学作品。学生可以通过输入文本，观察GPT生成的延伸内容，从中获得更深刻的作品理解，有助于挖掘作品的主题、人物和情节等元素。

其次，GPT技术作为创作的灵感来源，有助于学生拓展写作能力。学生可以利用GPT生成的文本作为创作的起点，获取灵感并锻炼不同的写作风格。此外，GPT还能回答与文学作品、作家和流派等有关的问题，帮助学生深化文学知识，扩展他们的视野。

### 样例介绍
`picoGPT`是一个使用[NumPy](https://numpy.org)实现的超小型[GPT-2](https://d4mucfpksywv.cloudfront.net/better-language-models/language_models_are_unsupervised_multitask_learners.pdf)模型，整个前向推理的过程仅有[40行代码](https://github.com/jaymody/picoGPT/blob/main/gpt2_pico.py#L3-L41)。

用户只需要提供**要续写的英文短句**和**续写长度**（即模型生成token的个数，每个token不一定严格对应一个英文单词），模型就可以按照你的需求，对你提供的短句进行**续写**。

初始化picoGPT模型，加载预训练的模型权重到内存中
```python
from picoGPT.gpt2 import PicoGPT
pico = PicoGPT(models_dir="picoGPT/models")
```

我们只需要把待续写的语句和续写出来要写多长告诉`pico.infer`函数，就可以调用picoGPT进行语句续写啦
```python
# 待续写的语句
prompt = 'One day, computer will finally'
# 续写长度
res_len = 10

result = pico.infer(prompt, res_len)
```

```
generating: 100%|██████████| 10/10 [00:06<00:00,  1.57it/s]
```

续写结果：

One day, computer will finally<text style=color:green> be able to do all the work for you.</text>

总有一天，计算机最终<text style=color:green>能够帮助你完成所有的工作。</text>

### 参考链接
https://github.com/jaymody/picoGPT