OpenCV в Python: зачем нужен и как использовать для работы с изображениями

Библиотека OpenCV уже давно стала золотым стандартом в мире компьютерного зрения. Эта мощная, открытая и, что немаловажно, бесплатная библиотека позволяет разработчикам научить компьютеры "видеть" и анализировать изображения почти так же, как это делают люди. От распознавания лиц в социальных сетях до автономных транспортных средств – OpenCV используется везде, где машине нужно интерпретировать визуальную информацию.

В этой статье мы разберемся с основами OpenCV в Python – от установки и простейших операций с изображениями до сложных алгоритмов распознавания объектов. Материал будет полезен как новичкам в компьютерном зрении, так и опытным разработчикам, желающим структурировать свои знания и узнать о новых возможностях библиотеки.

Что такое OpenCV?

OpenCV (Open Source Computer Vision Library) – это библиотека с открытым исходным кодом, предназначенная для решения задач компьютерного зрения и машинного обучения. Она предлагает впечатляющий набор из более 2500 алгоритмов – от базовых функций обработки изображений до продвинутых методов распознавания объектов и анализа движения.

Изначально библиотека была разработана Intel в 1999 году, но затем превратилась в независимый проект с активным сообществом разработчиков. Сегодня её используют технологические гиганты вроде Google, Microsoft, IBM и Sony – что, согласитесь, неплохая рекомендация для технологии. Хотя основной код написан на C++, OpenCV имеет интерфейсы для Python, Java, MATLAB и других языков, причем Python-интерфейс является одним из самых популярных благодаря своей простоте и эффективности.

Почему же именно OpenCV, а не какая-нибудь другая модная библиотека? Ну, тут всё достаточно прозрачно и логично (как на чисто вымытом окне, через которое ведется компьютерное зрение – каламбур так себе, но мы работаем над этим):

В общем, если вам нужно научить компьютер понимать визуальную информацию – OpenCV это, как говорится, no-brainer, особенно если вы предпочитаете Python. И вам не придется продавать почку для оплаты лицензии, что в наши непростые времена является существенным плюсом.

Где используется OpenCV?

Ключевые сферы применения

Вы, возможно, думаете: "Ну хорошо, библиотека для компьютерного зрения – звучит круто, но зачем мне это в реальной жизни?" И тут я вас удивлю – вы взаимодействуете с результатами работы OpenCV практически каждый день, просто не подозреваете об этом. Компьютерное зрение уже давно вышло за пределы лабораторий и научных статей, и теперь буквально окружает нас повсюду, как надоедливые родственники на семейном празднике.

• Распознавание объектов и лиц – вспомните, как Facebook (или Meta, если вы уже привыкли к ребрендингу) предлагает отметить друзей на фотографиях, а ваш смартфон разблокируется, увидев ваше заспанное лицо. Или как камеры видеонаблюдения в торговом центре отслеживают перемещения посетителей. Все это – OpenCV в действии, хотя, возможно, и с некоторыми проприетарными модификациями.
• Медицинские технологии – здесь компьютерное зрение помогает выявлять аномалии на рентгеновских снимках, МРТ и КТ с точностью, иногда превосходящей опытных врачей. Представьте себе: алгоритм, который никогда не устает, не отвлекается на личные проблемы и видит то, что человеческий глаз может пропустить. Не уверен, стоит ли радоваться или беспокоиться по этому поводу, но технология определенно впечатляет.
• Промышленная автоматизация – системы контроля качества на производстве, сортировка продукции, считывание штрих-кодов и QR-кодов, и всё это быстрее и точнее, чем могли бы делать человеческие операторы (которые, к тому же, имеют обыкновение требовать перерывы, отпуска и прочие неудобные для бизнеса вещи).
• Автономные системы – беспилотные автомобили используют компьютерное зрение для навигации, распознавания дорожных знаков и предотвращения столкновений. Дроны применяют его для облета препятствий и картографирования местности. Роботы-пылесосы – чтобы не падать с лестницы и не поедать ваши носки (хотя тут, судя по отзывам, еще есть над чем работать).
• Анализ видео и изображений – улучшение качества изображения, стабилизация видео, распознавание текста (OCR), поиск похожих изображений. Когда вы ищете в Google по картинке или переводите фото документа в текст – это тоже компьютерное зрение.
• Развлекательные технологии – фильтры в Instagram и Snapchat, реалистичные эффекты в видеоиграх, технологии дополненной реальности. Все эти кроличьи ушки и радужные рвоты – тоже заслуга алгоритмов компьютерного зрения (спасибо или проклинайте их, в зависимости от того, сколько таких фото в вашей ленте).

Список можно продолжать долго, но суть ясна – компьютерное зрение уже глубоко интегрировано в современный мир. И OpenCV играет в этом не последнюю роль, предоставляя разработчикам инструменты для создания всех этих технологий, без необходимости изобретать велосипед с нуля (или скорее "глаз с нуля", если следовать нашей метафоре).

Установка OpenCV в Python

Установка через pip

Установка OpenCV в Python проста, как две строчки кода. В отличие от некоторых других библиотек, которые заставляют вас танцевать с бубном вокруг зависимостей и компиляторов, тут всё гораздо цивилизованнее. Открываете терминал или командную строку и вводите заветное заклинание:

pip install opencv-python

И вуаля! Базовая версия OpenCV установлена. Но если вы из тех, кто считает, что "базовый" – это скучно и недостаточно, и вам нужны все дополнительные модули (а там есть на что посмотреть – от 3D-реконструкции до text-to-speech), то выбирайте расширенную версию:

pip install opencv-contrib-python

Между прочим, стоит отметить разницу между этими двумя пакетами. opencv-python содержит только основные модули, которых достаточно для большинства задач (и занимает меньше места на диске – что немаловажно, если вы работаете на древнем ноутбуке, который начинает кашлять при установке любой библиотеки размером больше 100 МБ). А opencv-contrib-python включает все дополнительные модули, экспериментальные алгоритмы и новейшие разработки. Выбор за вами – быть минималистом или максималистом.

Проверка работоспособности

Чтобы убедиться, что установка прошла успешно (и не придется через полчаса отлаживать непонятные ошибки), выполните простую проверку:

import cv2

print(cv2.__version__)

Если вы видите номер версии вместо красного сообщения об ошибке – поздравляю, вы только что сделали первый шаг в мир компьютерного зрения! Если же видите ошибку... ну, добро пожаловать в реальный мир разработки, где 90% времени уходит на устранение проблем, а не на написание кода.

Основные функции OpenCV (базовые операции)

Чтение, отображение и сохранение изображений

Итак, вы установили OpenCV и теперь сидите, глядя на пустой редактор кода, и думаете: "И что же мне с этим делать?" Начнем с базовых операций – чтения, отображения и сохранения изображений, без которых в компьютерном зрении вы далеко не уедете (примерно как автомобиль без колес – технически это всё ещё автомобиль, но пользы от него немного).

Загрузка изображения выполняется с помощью функции cv2.imread:

import cv2

# Путь может быть относительным или абсолютным - главное, чтобы файл существовал

image = cv2.imread('путь/к/изображению.jpg')

Казалось бы, что может быть проще? Но OpenCV умудряется внести хаос даже в этот простой процесс. Дело в том, что библиотека читает изображения в формате BGR (синий-зеленый-красный), а не в привычном RGB (красный-зеленый-синий). Почему? История умалчивает. Возможно, разработчики решили, что компьютерное зрение должно видеть мир иначе, чем люди – в конце концов, это же не человеческое зрение!

Теперь, когда у нас есть изображение, давайте покажем его миру (или хотя бы себе):

cv2.imshow('Название окна', image)

cv2.waitKey(0)  # Ждем нажатия любой клавиши

cv2.destroyAllWindows()  # Закрываем все окна OpenCV

Функция waitKey(0) – это не просто декоративный элемент. Без нее изображение мелькнет на экране и тут же исчезнет, оставив вас в недоумении – было ли что-то или показалось? Если вместо 0 указать число, например 1000, изображение будет отображаться указанное количество миллисекунд.

Сохранение изображения – это как чтение, только наоборот:

cv2.imwrite('новое_изображение.jpg', image)

Работа с цветами и преобразование изображений

Как я уже упоминал, OpenCV использует формат BGR вместо RGB, что может привести к интересным результатам, если вы не знаете об этом (например, все ваши красные объекты вдруг станут синими, и наоборот). Если вы хотите работать в RGB, можно конвертировать изображение:

rgb_image = cv2.cvtColor(image, cv2.COLOR_BGR2RGB)

Преобразование в оттенки серого – классическая операция в обработке изображений (и часто первый шаг перед более сложными алгоритмами):

gray_image = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)

Бинаризация (преобразование в черно-белое изображение) – еще одна фундаментальная операция:

_, binary_image = cv2.threshold(gray_image, 127, 255, cv2.THRESH_BINARY)

Здесь 127 – пороговое значение (всё, что темнее, станет черным, всё, что светлее – белым), 255 – максимальное значение для пикселей. Загадочный символ _ в начале игнорирует первое возвращаемое значение – порог, который был использован для бинаризации (в данном случае мы его сами задали, поэтому он нам не интересен).

Операции с изображениями

Изменение размера изображения – частая операция, особенно если вы работаете с моделями машинного обучения, которые требуют входных данных определенного размера:

# Уменьшаем изображение вдвое

resized_image = cv2.resize(image, (image.shape[1]//2, image.shape[0]//2))

# Или задаем конкретный размер

resized_image = cv2.resize(image, (300, 200))

Обрезка изображения в OpenCV выполняется через синтаксис срезов NumPy:

# Обрезаем центральную часть изображения

cropped_image = image[100:300, 200:400]

Поворот требует чуть больше кода – нужно создать матрицу поворота:

rows, cols = image.shape[:2]

M = cv2.getRotationMatrix2D((cols/2, rows/2), 90, 1)  # поворот на 90 градусов вокруг центра

rotated_image = cv2.warpAffine(image, M, (cols, rows))

Размытие – полезная операция для уменьшения шума и деталей:

blurred_image = cv2.GaussianBlur(image, (5, 5), 0)

Параметр (5, 5) определяет размер ядра размытия – чем больше числа, тем сильнее эффект размытия. Числа должны быть нечетными, иначе ядро не будет иметь четко определенного центра, и OpenCV выразит свое недовольство ошибкой.

Рисование на изображении

OpenCV позволяет рисовать на изображениях различные примитивы – линии, прямоугольники, круги и даже текст:

# Создаем копию изображения, чтобы не испортить оригинал

canvas = image.copy()

# Рисуем линию

cv2.line(canvas, (0, 0), (200, 200), (0, 0, 255), 5)  # красная линия толщиной 5 пикселей

# Рисуем прямоугольник

cv2.rectangle(canvas, (300, 100), (500, 300), (255, 0, 0), 3)  # синий прямоугольник

# Добавляем текст

cv2.putText(canvas, "Hello, OpenCV!", (50, 50), cv2.FONT_HERSHEY_SIMPLEX, 1, (0, 255, 0), 2)

Обратите внимание на формат цвета – он в BGR! Поэтому (0, 0, 255) – это красный, а не синий. Это та самая особенность OpenCV, о которой я уже упоминал и которая может привести к неожиданным результатам, если вы о ней забудете.

Это базовые операции, которые помогут вам начать работу с OpenCV. Они простые, но мощные – комбинируя их, вы уже можете создавать вполне функциональные приложения для обработки изображений. Но мы только начали – дальше будет еще интереснее!

Расширенные возможности OpenCV

Обнаружение контуров

Если базовые операции с изображениями – это азбука компьютерного зрения, то обнаружение контуров – это уже первые полноценные фразы. Контуры – это границы объектов на изображении, и их выделение – ключевой шаг для распознавания форм и объектов.

Процесс обычно начинается с преобразования изображения в оттенки серого и применения бинаризации или детектора краев. Затем на этой основе находятся контуры:

import cv2

import numpy as np

# Загружаем изображение и преобразуем в оттенки серого

image = cv2.imread('objects.jpg')

gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)

# Применяем размытие для уменьшения шума

blurred = cv2.GaussianBlur(gray, (5, 5), 0)

# Бинаризация изображения

_, thresh = cv2.threshold(blurred, 60, 255, cv2.THRESH_BINARY)

# Находим контуры

contours, _ = cv2.findContours(thresh, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)

# Рисуем найденные контуры на оригинальном изображении

cv2.drawContours(image, contours, -1, (0, 255, 0), 2)

Функция findContours возвращает список контуров – каждый из которых представляет собой набор точек, образующих замкнутую форму. Флаг cv2.RETR_EXTERNAL указывает, что мы ищем только внешние контуры (игнорируя "дырки" внутри объектов), а cv2.CHAIN_APPROX_SIMPLE говорит о том, что мы хотим упрощенное представление контуров (например, прямоугольник будет представлен всего четырьмя точками, а не всеми точками периметра).

Можно также отфильтровать контуры по размеру, чтобы избавиться от шумов:

filtered_contours = []

for contour in contours:

   area = cv2.contourArea(contour)

    if area > 500:  # Минимальная площадь контура в пикселях

        filtered_contours.append(contour)

Распознавание лиц

Распознавание лиц – одна из самых популярных задач компьютерного зрения, и OpenCV предоставляет для этого готовые инструменты, в частности, каскады Хаара – алгоритм, разработанный ещё в 2001 году, но до сих пор актуальный благодаря своей скорости и простоте.

import cv2

# Загружаем предобученный каскад для распознавания лиц

face_cascade = cv2.CascadeClassifier(cv2.data.haarcascades + 'haarcascade_frontalface_default.xml')

# Загружаем изображение и преобразуем в оттенки серого

image = cv2.imread('group_photo.jpg')

gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)

# Находим лица

faces = face_cascade.detectMultiScale(gray, scaleFactor=1.1, minNeighbors=5, minSize=(30, 30))

# Рисуем прямоугольники вокруг найденных лиц

for (x, y, w, h) in faces:

    cv2.rectangle(image, (x, y), (x+w, y+h), (0, 255, 0), 2)

Метод detectMultiScale принимает несколько параметров, которые влияют на точность и скорость распознавания:

• scaleFactor – определяет, насколько уменьшается размер изображения при каждом масштабе (значение 1.1 означает уменьшение на 10%).
• minNeighbors – определяет, сколько "соседей" должен иметь каждый кандидат в лица, чтобы считаться лицом. Увеличение этого параметра снижает количество ложных срабатываний, но может пропустить некоторые лица.
• minSize – минимальный размер лица, которое мы хотим найти.

Каскады Хаара есть не только для лиц, но и для глаз, улыбок и других объектов. Однако, стоит отметить, что этот метод не самый современный и может давать сбои при сложном освещении, поворотах головы или частичном перекрытии лица.

Работа с видео

OpenCV позволяет обрабатывать не только статичные изображения, но и видеопотоки – будь то видеофайлы или изображение с камеры:

import cv2

# Открываем видеофайл или камеру (0 - обычно веб-камера)

cap = cv2.VideoCapture('video.mp4')  # или cap = cv2.VideoCapture(0)

while True:

    # Считываем кадр

    ret, frame = cap.read()

   

    # Проверяем, успешно ли считан кадр

    if not ret:

        break

   

    # Здесь можно обрабатывать кадр, например, находить лица

    gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)

    faces = face_cascade.detectMultiScale(gray, 1.1, 5)

   

    for (x, y, w, h) in faces:

        cv2.rectangle(frame, (x, y), (x+w, y+h), (0, 255, 0), 2)

   

    # Отображаем результат

    cv2.imshow('Video', frame)

   

    # Выход при нажатии клавиши 'q'

    if cv2.waitKey(1) & 0xFF == ord('q'):

        break

# Освобождаем ресурсы

cap.release()

cv2.destroyAllWindows()

Для отслеживания движущихся объектов можно использовать разные подходы. Один из простейших – вычитание фона:

# Создаем вычитатель фона

background_subtractor = cv2.createBackgroundSubtractorMOG2()

while True:

    ret, frame = cap.read()

    if not ret:

        break

   

    # Применяем вычитание фона

    foreground_mask = background_subtractor.apply(frame)

   

    # Находим контуры движущихся объектов

    contours, _ = cv2.findContours(foreground_mask, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)

   

    # Рисуем рамки вокруг движущихся объектов

    for contour in contours:

        if cv2.contourArea(contour) > 500:  # Фильтруем мелкие шумы

            (x, y, w, h) = cv2.boundingRect(contour)

            cv2.rectangle(frame, (x, y), (x+w, y+h), (0, 255, 0), 2)

   

    cv2.imshow('Motion Detection', frame)

    if cv2.waitKey(1) & 0xFF == ord('q'):

        break

Это лишь верхушка айсберга расширенных возможностей OpenCV. Библиотека предлагает множество других алгоритмов – от сопоставления шаблонов и выделения особых точек до оптического потока и 3D-реконструкции. Выбор конкретных инструментов зависит от специфики вашей задачи и доступных вычислительных ресурсов.

OpenCV и машинное обучение

Хотя OpenCV и сам по себе довольно мощный инструмент, настоящая магия начинается, когда вы объединяете его с современными алгоритмами машинного обучения. Это как взять старый добрый нож (весьма острый и полезный инструмент) и модернизировать его до лазерного меча – функциональность та же, но возможности и эффектность просто космические.

В современном компьютерном зрении нейронные сети доминируют практически во всех задачах – от классификации изображений до семантической сегментации. И OpenCV не остался в стороне от этого тренда, предлагая модуль dnn (Deep Neural Networks), который позволяет использовать предварительно обученные нейросети.

Приведу пример использования модели YOLO (You Only Look Once) – одной из самых популярных нейросетей для обнаружения объектов. YOLO настолько быстра, что может работать в режиме реального времени даже на среднестатистическом ноутбуке (хотя, конечно, с GPU всё работает гораздо шустрее).

import cv2

import numpy as np

# Загружаем YOLO

net = cv2.dnn.readNet("yolov3.weights", "yolov3.cfg")

layer_names = net.getLayerNames()

output_layers = [layer_names[i[0] - 1] for i in net.getUnconnectedOutLayers()]

# Загружаем классы объектов

with open("coco.names", "r") as f:

    classes = [line.strip() for line in f.readlines()]

# Загружаем изображение

image = cv2.imread("room.jpg")

height, width, channels = image.shape

# Предобработка изображения

blob = cv2.dnn.blobFromImage(image, 0.00392, (416, 416), (0, 0, 0), True, crop=False)

net.setInput(blob)

outs = net.forward(output_layers)

# Информация для отображения

class_ids = []

confidences = []

boxes = []

# Обработка результатов

for out in outs:

    for detection in out:

        scores = detection[5:]

        class_id = np.argmax(scores)

        confidence = scores[class_id]

        if confidence > 0.5:  # Порог уверенности

            # Координаты объекта

            center_x = int(detection[0] * width)

            center_y = int(detection[1] * height)

            w = int(detection[2] * width)

            h = int(detection[3] * height)

           

            # Координаты прямоугольника

            x = int(center_x - w / 2)

            y = int(center_y - h / 2)

           

            boxes.append([x, y, w, h])

            confidences.append(float(confidence))

            class_ids.append(class_id)

# Подавление не-максимумов (чтобы убрать дублирующие рамки)

indexes = cv2.dnn.NMSBoxes(boxes, confidences, 0.5, 0.4)

# Рисуем рамки и подписи

for i in range(len(boxes)):

    if i in indexes:

        x, y, w, h = boxes[i]

        label = str(classes[class_ids[i]])

        confidence = confidences[i]

        color = (0, 255, 0)  # Зеленый цвет для рамки

        cv2.rectangle(image, (x, y), (x + w, y + h), color, 2)

        cv2.putText(image, f"{label} {confidence:.2f}", (x, y - 10),

                    cv2.FONT_HERSHEY_SIMPLEX, 0.5, color, 2)

# Отображаем результат

cv2.imshow("Object Detection", image)

cv2.waitKey(0)

cv2.destroyAllWindows()

Интеграция с TensorFlow или PyTorch – еще один мощный подход. Вы можете использовать OpenCV для предобработки изображений и потоковой передачи кадров, а затем передавать их в модель, обученную в одном из этих фреймворков:

import cv2

import numpy as np

import tensorflow as tf

# Загружаем предобученную модель (например, MobileNet)

model = tf.keras.applications.MobileNetV2(weights='imagenet')

# Функция для предсказания

def predict_image(img):

    # Предобработка для MobileNet

    img = cv2.resize(img, (224, 224))

    img = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)  # OpenCV использует BGR, TensorFlow - RGB

    img = img / 255.0  # Нормализация

    img = np.expand_dims(img, axis=0)  # Добавляем размерность батча

   

    # Предсказание

    predictions = model.predict(img)

    return tf.keras.applications.mobilenet_v2.decode_predictions(predictions, top=3)[0]

# Захват видео с камеры

cap = cv2.VideoCapture(0)

while True:

    ret, frame = cap.read()

    if not ret:

        break

   

    # Получаем предсказания

    results = predict_image(frame)

   

    # Отображаем результаты на кадре

    y = 30

    for i, (_, label, prob) in enumerate(results):

        text = f"{label}: {prob*100:.2f}%"

        cv2.putText(frame, text, (10, y + i*30), cv2.FONT_HERSHEY_SIMPLEX, 0.8, (0, 255, 0), 2)

   

    cv2.imshow("Classification", frame)

    if cv2.waitKey(1) & 0xFF == ord('q'):

        break

cap.release()

cv2.destroyAllWindows()

OpenCV также может использоваться для сегментации изображений с помощью сетей, таких как Mask R-CNN или U-Net. Это позволяет не просто находить объекты, но и точно выделять их границы:

# Пример загрузки и использования Mask R-CNN

net = cv2.dnn.readNetFromTensorflow('mask_rcnn_inception_v2_coco_2018_01_28/frozen_inference_graph.pb',

                                    'mask_rcnn_inception_v2_coco_2018_01_28/mask_rcnn_inception_v2_coco_2018_01_28.pbtxt')

# Настройки сети

blob = cv2.dnn.blobFromImage(image, swapRB=True)

net.setInput(blob)

# Получаем маски и ограничивающие рамки

boxes, masks = net.forward(['detection_out_final', 'detection_masks'])

# Далее следует обработка результатов и визуализация

# ...

Машинное обучение и компьютерное зрение – идеальная пара, как кофе и утро понедельника. OpenCV в этой паре играет роль связующего звена между сырыми данными и интеллектуальными алгоритмами, обеспечивая удобный интерфейс для работы с изображениями и видео. Конечно, для серьезных современных задач OpenCV часто используется в сочетании с более специализированными библиотеками, но его место в экосистеме компьютерного зрения остается прочным.

Заключение

Вот мы и пробежались по основным возможностям OpenCV для Python – от простейших операций вроде открытия изображения до интеграции с нейронными сетями для решения сложных задач компьютерного зрения. И хотя эта статья лишь верхушка айсберга (на самом деле, скорее снежинка на вершине айсберга, учитывая колоссальные возможности библиотеки), надеюсь, она дала вам представление о том, что можно сделать с помощью OpenCV.

Компьютерное зрение – одна из тех областей ИИ, которая уже сейчас глубоко интегрирована в нашу повседневную жизнь, и её влияние будет только расти. От автомобилей, которые сами находят дорогу, до телефонов, распознающих наши лица – всё это результат работы алгоритмов, схожих с теми, о которых мы говорили в этой статье.

Если вы только начинаете свой путь в компьютерном зрении – не пытайтесь охватить всё сразу. Начните с простого проекта, например, с распознавания объектов определенного типа или с создания фильтра для изображений. Постепенно усложняйте задачи, изучайте новые алгоритмы и методы. И помните – практика намного важнее теории. Можно прочитать тысячи статей об OpenCV, но без реальных проектов, без ошибок и их исправления, без экспериментов и неудач настоящего понимания не придет.

А если вы уже опытный разработчик – возможно, эта статья напомнила вам о каких-то функциях или подходах, которые вы давно не использовали. В мире, где все гонятся за новейшими нейросетями, иногда полезно вспомнить о классических методах, которые порой могут быть более эффективными для конкретной задачи.

Удачи вам в изучении и применении OpenCV! Пусть ваши алгоритмы будут быстрыми, а результаты – точными.

Если вы хотите глубже погрузиться в Python и освоить не только OpenCV, но и другие ключевые инструменты программирования, рекомендуем обратить внимание на подборку курсов по Python на сайте Kurshub. Там собраны актуальные обучающие программы по самым разным направлениям — от основ синтаксиса до работы с нейросетями и компьютерным зрением.