cv-study-utils 0.1.4

Notebook-friendly study utilities for computer vision theory and practice snippets.

CV Study Utils

Небольшая библиотека для подготовки к экзамену по машинному зрению. Она выводит ответы на теоретические вопросы и готовые кодовые шаблоны для практических заданий прямо в Jupyter/Colab.

Установка

Из этой папки:

pip install -e .

После загрузки проекта на GitHub в Colab/Jupyter можно будет ставить так:

!pip install git+https://github.com/<your-user>/<your-repo>.git

После публикации на PyPI:

!pip install cv-study-utils

Использование

from cv_study_utils import theory, practice, find

theory(5)                 # ответ на теоретический вопрос 5
theory(5, variant="short")# короткий вариант того же ответа
practice(3)               # код для практического задания 3
find("Canny")             # поиск по теории и практике
practice("границ")        # найти практику по фрагменту текста
practice("билет 27")      # найти присланный экзаменационный вариант
find("YOLOv11 Pascal VOC mAP", kind="practice")

theory(12, copy=True)     # скопировать ответ, если доступен clipboard
practice(15, copy=True)   # в ноутбуке появится кнопка Copy, если pyperclip недоступен

Локальная LLM для Jupyter без API-ключей:

from cv_study_utils import ask_local, llm_status

llm_status()  # проверить, видит ли библиотека Ollama или LM Studio на localhost

ask_local("Объясни алгоритм Canny и напиши основные этапы")
ask_local("Дай код для сегментации изображения", context_kind="practice")

По умолчанию ask_local(...) обращается к Ollama на http://localhost:11434. Если используешь LM Studio, запусти Local Server в LM Studio и вызывай так:

ask_local(
    "Кратко объясни U-Net",
    engine="lmstudio",
    model="local-model",
)

Для локального режима компьютер должен быть включен, Jupyter должен запускаться на этом же компьютере, а Ollama или LM Studio должны быть заранее открыты с загруженной моделью. В Colab localhost указывает на сервер Google, поэтому локальная модель на твоём компьютере оттуда напрямую не видна.

Проверка буфера обмена:

from cv_study_utils import clipboard_status

clipboard_status()

Для системного clipboard можно дополнительно поставить pyperclip. Если пакет уже опубликован, удобнее ставить с extra:

!pip install "cv-study-utils[clipboard]"

Или отдельно:

!pip install pyperclip

В Colab код выполняется на удаленной машине, поэтому системный clipboard через pyperclip часто недоступен. В этом случае copy=True покажет браузерную кнопку Copy и текстовое поле для ручного копирования.

Командная строка:

cvstudy theory 5
cvstudy practice 3 --copy
cvstudy find "Vision Transformer"
cvstudy llm-status
cvstudy ask "объясни Canny" --engine ollama

Памятка команд

pip install --upgrade --no-cache-dir cv-study-utils  # установить/обновить библиотеку
from cv_study_utils import theory, theory_short, practice, find  # основной импорт
theory()  # список всех теоретических вопросов
theory(5)  # полный ответ на вопрос 5
theory(5, variant="short")  # короткий ответ на вопрос 5
theory_short(5)  # короткий ответ через отдельную функцию
theory("Canny")  # поиск теории по тексту
theory(5, copy=True)  # скопировать ответ по теории
practice()  # список всех практических заданий
practice(3)  # код практического задания 3
practice("сегментация")  # поиск практики по тексту
practice("билет 27")  # пайплайн OpenCV/Pillow/Matplotlib из билета 27
practice("Salt-and-Pepper PSNR SSIM")  # экзаменационный вариант с шумами
practice("watershed Dice IoU")  # экзаменационная сегментация и метрики
practice("YOLOv11 Pascal VOC mAP")  # детекция без дообучения
practice(3, copy=True)  # скопировать код практики
find("U-Net")  # поиск по теории и практике
find("Canny", kind="theory")  # поиск только по теории
find("сегментация", kind="practice")  # поиск только по практике

from cv_study_utils import all_theory, all_theory_variant, all_practice
all_theory()  # вывести всю полную теорию
all_theory_variant(variant="short")  # вывести всю короткую теорию
all_practice()  # вывести все практические шаблоны

from cv_study_utils import clipboard_status, ask_local, llm_status
clipboard_status()  # проверить копирование
llm_status()  # проверить Ollama/LM Studio на localhost
ask_local("Объясни алгоритм Canny")  # спросить локальную Ollama
ask_local("Дай код для сегментации", context_kind="practice")  # LLM с контекстом практики
ask_local("Объясни CNN", context_kind="theory")  # LLM с контекстом теории
ask_local("Объясни U-Net", engine="lmstudio", model="local-model")  # спросить LM Studio

python -m cv_study_utils.cli theory 5  # CLI: полный ответ
python -m cv_study_utils.cli theory 5 --variant short  # CLI: короткий ответ
python -m cv_study_utils.cli theory --all  # CLI: вся полная теория
python -m cv_study_utils.cli practice 3  # CLI: практика 3
python -m cv_study_utils.cli practice --all  # CLI: вся практика
python -m cv_study_utils.cli find "Vision Transformer"  # CLI: поиск
python -m cv_study_utils.cli llm-status  # CLI: проверка локальной LLM
python -m cv_study_utils.cli ask "объясни Canny" --engine ollama  # CLI: спросить Ollama

Что внутри

• cv_study_utils/theory_answers.py - 48 кратких ответов на теоретические вопросы.
• cv_study_utils/theory_short.py - короткий вариант теории для быстрого повторения.
• cv_study_utils/theory_full.py - расширенные ответы на теоретические вопросы.
• cv_study_utils/theory_extras.py - формулы, схемы архитектур и внешние источники для теории.
• cv_study_utils/practice_solutions.py - 25 готовых кодовых шаблонов для практических заданий.
• cv_study_utils/exam_practice_extra.py - решения новых экзаменационных вариантов с поиском по номеру билета, датасету, алгоритмам и метрикам.
• cv_study_utils/llm.py - локальные LLM-вызовы через Ollama или LM Studio на localhost.
• content/theory_answers.md и content/practice_solutions.py - человекочитаемые экспортные файлы, которые можно открыть отдельно.
• Ответы_теория_МЗ2026.docx, Ответы_теория_коротко_МЗ2026.docx и Ответы_практика_МЗ2026.docx - Word-версии материалов.
• dist/ - готовые wheel/sdist артефакты для загрузки на PyPI.

Источники

Основой являются файлы из папки экзамена и лекции lecture_2 - Lecture_8. Для актуализации API и формулировок использованы официальные документации OpenCV, Pillow, Matplotlib, scikit-image, scikit-learn, PyTorch/torchvision, TensorFlow/Keras, Ultralytics YOLO, а также оригинальные статьи R-CNN/Fast R-CNN/Faster R-CNN, YOLO, SSD, U-Net, Mask R-CNN, GAN, DDPM, Transformer, ViT и image captioning.