Shandy

a = ["H", "E", "L", "L", "O"]
print(f'{" ".join(a)} World')

Как организовать и где хранить это все

Засунуть это все в сборку gulp думаю глупо так как будет храниться куча файлов которые мы не используем и потом это все еще придется отдать 3 лицам

Скопилось куча кусочков кода по верстке к примеру 20 карточек товара или 15 видов 404 страницы и прочего

my_dict = {'example': [1, 2, 3]}
lines = ['{}|{}'.format(k, '|'.join(map(str, v))) for k, v in my_dict.items()]
print('\n'.join(lines))

import requests
import browser_cookie3
import json
cookies = browser_cookie3.chrome()
dict_cookies = requests.utils.dict_from_cookiejar(cookies)
with open("cookies.json", "w") as f:
    json.dump(dict_cookies, f)

1. Загрузите набор утилит opencv(гугл-диск, но я советую поискать самостоятельно), в частности opencv_createsamples и opencv_traincascade, а также необходимые им DLL-библиотеки. Распакуйте их в рабочий каталог в корне диска, без русских букв и пробелов в названии. Здесь и далее предполагается, что C:\MyDirName - ваш рабочий каталог.
   
2. Подготовьте фото вашего объекта. Используйте контрастный объект без движущихся частей, и желательно не дающий бликов. Для этой цели хорошо подходят логотипы.
   
3. Подготовьте отрицательные примеры (не менее 100 изображений). Для этого можно снять короткое видео помещения, затем написать программу, которая разделяет это видео на отдельные кадры. Рекомендуется поместить их в отдельный подкаталог negatives.
   
4. Подготовьте файлы, содержащие список файлов в этом каталоге. Их можно сгенерировать следующей парой команд в терминале:
   

   dir C:\MyDirName\negatives\*.jpg /B /S >C:\MyDirName\negatives\negatives_abs.txt

   
   

   dir C:\MyDirName\negatives\*.jpg /B >C:\MyDirName\negatives\negatives_rel.txt

   
   
5. Создайте пустые подкаталоги C:\MyDirName\positives и C:\MyDirName\training. Поместите ваше изображение - положительный пример в каталог C:\MyDirName\ и назовите его positive.jpg. В качестве положительного примера желательно разместить ваш объект на светлом фоне, если он тёмный, и наоборот.
   
6. Сгенерируйте положительные примеры с помощью утилиты opencv_createsamples. Команда будет выглядеть примерно следующим образом:
   

   C:\MyDirName\opencv_createsamples.exe -info positives\info.lst -img positive.jpg -bg negatives\negatives_rel.txt -maxxangle 0.1 -maxyangle 0.1 -maxzangle 0.1 -bgcolor 0 -bgthresh 0 -w 50 -h 50 -num 100

   
   Параметры:
   -info - выходной файл.
   -img - входное изображение - положительный пример
   -bg - фоновые изображения. Положительный пример будет наложен на них (в оттенках серого).
   -max?angle - допустимые углы поворота примера. Утилита выполнит перспективное преобразование примера перед наложением.
   -bgcolor и -bgthresh задают яркость (среднее и диапазон изменения) для "прозрачного цвета". Например, если ваш объект на белом фоне, задайте эти параметры равными 240 и 15 (диапазон яркости 225-255). Задав оба параметра равными 0, вы отключите эту функцию и все цвета будут непрозрачными.
   -w и -h задают минимальный размер для размещаемой копии вашего образца.
   -num - количество примеров, которые стоит генерировать. Не должно превышать количество изображений в каталоге.
   Утилита должна вывести ряд сообщений вида "Open background image", а в конце вывести "Done".
   
7. Сгенерируйте vec файл следующей командой:
   

   C:\MyDirName\opencv_createsamples.exe -info positives\info.lst -num 100 -w 20 -h 20 -vec positives\positives.vec

   
   где info.lst был сгенерирован в ходе пункта 6.
   -w и -h задают минимальный размер для объекта, распознаваемого в ходе работы каскада.
   -num - количество сгенерированных примеров. Столько же, сколько и в пункте 6.
   
8. Проведите обучение каскада с помощью утилиты opencv_traincascade. Команда будет иметь примерно следующий вид:

   C:\MyDirName\opencv_traincascade.exe -data training -vec positives\positives.vec -bg negatives\negatives_abs.txt -numStages 100 -numPos 100 -numNeg 100 -featureType haar -w 20 -h 20 -minHitRate 0.999 -maxFalseAlarmRate 0.4 -precalcValBufSize 4048 -precalcIdxBufSize 4048 -numThreads 24 -acceptanceRatioBreakValue 10e-5

   
   -data - каталог для рабочих данных, который вы создали в пункте 5.
   -vec - индекс, который был создан в пункте 7.
   -bg - файл со списком отрицательных примеров (используйте абсолютные пути!)
   -numPos и -numNeg - количество положительных примеров (пункт 6) и отрицательных примеров (пункт 3).
   -numStages - максимальное количество этапов каскада. Итоговый каскад может содержать меньшее количество этапов.
   -featureType - определяет тип признаков. Признаки Хаара обучаются медленнее, но зато более точны.
   -w и -h задают минимальный размер для объекта, распознаваемого в ходе работы каскада. Должны строго совпадать с заданными в пункте 7.
   -minHitRate и -maxFalseAlarmRate задают качество работы одного каскада.
   -acceptanceRatioBreakValue определяет момент, когда каскад перестаёт обучаться.
   -precalcValBufSize и -precalcIdxBufSize задают потребление памяти процессом.
   -numThreads определяет число рабочих потоков.
   
9. По итогам обучения в каталоге training должен появиться файл cascade.xml, который можно загружать так же, как типовые каскады, поставляемые с opencv. Обратите внимание, что если вы хотите запустить обучение с начала, нужно очистить содержимое каталога training, иначе утилита будет дообучать существующий каскад.