{
  "trx_id": "a4c0c2396c03455cc580401638e584ac706f9530",
  "block": 106142392,
  "trx_in_block": 1,
  "op_in_trx": 0,
  "virtual_op": 0,
  "timestamp": "2026-05-17T23:22:12",
  "op": [
    "delegate_vesting_shares",
    {
      "delegator": "steem",
      "delegatee": "defy",
      "vesting_shares": "7110.576621 VESTS"
    }
  ]
}

{
  "trx_id": "6d9d12beaef9f8bbfca309f2867738a87049ed8a",
  "block": 105971434,
  "trx_in_block": 2,
  "op_in_trx": 0,
  "virtual_op": 0,
  "timestamp": "2026-05-12T00:16:06",
  "op": [
    "delegate_vesting_shares",
    {
      "delegator": "steem",
      "delegatee": "defy",
      "vesting_shares": "4398.366216 VESTS"
    }
  ]
}

{
  "trx_id": "b7fa46a7ccf654ee0f56d06f378534889a43ae62",
  "block": 105510071,
  "trx_in_block": 2,
  "op_in_trx": 0,
  "virtual_op": 0,
  "timestamp": "2026-04-25T22:44:33",
  "op": [
    "delegate_vesting_shares",
    {
      "delegator": "steem",
      "delegatee": "defy",
      "vesting_shares": "7123.092377 VESTS"
    }
  ]
}

{
  "trx_id": "acf07ed1a78507d22c29f2d171fb36b253bef357",
  "block": 102848967,
  "trx_in_block": 3,
  "op_in_trx": 0,
  "virtual_op": 0,
  "timestamp": "2026-01-23T05:25:42",
  "op": [
    "delegate_vesting_shares",
    {
      "delegator": "steem",
      "delegatee": "defy",
      "vesting_shares": "4439.913035 VESTS"
    }
  ]
}

{
  "trx_id": "d524ac0942cc22c4ac2b2d6f9a322830ad838c62",
  "block": 91295393,
  "trx_in_block": 0,
  "op_in_trx": 0,
  "virtual_op": 0,
  "timestamp": "2024-12-17T00:45:42",
  "op": [
    "delegate_vesting_shares",
    {
      "delegator": "steem",
      "delegatee": "defy",
      "vesting_shares": "4604.132232 VESTS"
    }
  ]
}

{
  "trx_id": "d89e2d9e14ee559ceac8248d6462c6867502b77c",
  "block": 79849615,
  "trx_in_block": 2,
  "op_in_trx": 0,
  "virtual_op": 0,
  "timestamp": "2023-11-13T16:29:00",
  "op": [
    "delegate_vesting_shares",
    {
      "delegator": "steem",
      "delegatee": "defy",
      "vesting_shares": "4773.265764 VESTS"
    }
  ]
}

{
  "trx_id": "6162ad48418887e23c288c807e8ed73a99bafa37",
  "block": 78346587,
  "trx_in_block": 3,
  "op_in_trx": 0,
  "virtual_op": 0,
  "timestamp": "2023-09-21T20:47:27",
  "op": [
    "delegate_vesting_shares",
    {
      "delegator": "steem",
      "delegatee": "defy",
      "vesting_shares": "7710.544550 VESTS"
    }
  ]
}

{
  "trx_id": "59d573cc15e4a58bbfa9bfb0f3b82395bcf7a9c3",
  "block": 69112086,
  "trx_in_block": 6,
  "op_in_trx": 0,
  "virtual_op": 0,
  "timestamp": "2022-11-03T10:43:09",
  "op": [
    "delegate_vesting_shares",
    {
      "delegator": "steem",
      "delegatee": "defy",
      "vesting_shares": "7932.225988 VESTS"
    }
  ]
}

{
  "trx_id": "6a16198fa070465a7f48021e79f9cf85e03f3d4f",
  "block": 60808351,
  "trx_in_block": 28,
  "op_in_trx": 0,
  "virtual_op": 0,
  "timestamp": "2022-01-17T10:03:57",
  "op": [
    "delegate_vesting_shares",
    {
      "delegator": "steem",
      "delegatee": "defy",
      "vesting_shares": "8152.759219 VESTS"
    }
  ]
}

{
  "trx_id": "1ba5ad3811451022d33b5155e91d71a1959663f8",
  "block": 54606782,
  "trx_in_block": 0,
  "op_in_trx": 0,
  "virtual_op": 0,
  "timestamp": "2021-06-14T00:01:21",
  "op": [
    "delegate_vesting_shares",
    {
      "delegator": "steem",
      "delegatee": "defy",
      "vesting_shares": "8336.527877 VESTS"
    }
  ]
}

{
  "trx_id": "f991391c7e0ebbe206f21b1b3a5eb27cccd0eb5c",
  "block": 49354278,
  "trx_in_block": 1,
  "op_in_trx": 0,
  "virtual_op": 0,
  "timestamp": "2020-12-11T10:21:36",
  "op": [
    "delegate_vesting_shares",
    {
      "delegator": "steem",
      "delegatee": "defy",
      "vesting_shares": "8523.949851 VESTS"
    }
  ]
}

{
  "trx_id": "516a4e5dec6405595f7c7ed83fef3c80bb389f33",
  "block": 49205840,
  "trx_in_block": 2,
  "op_in_trx": 0,
  "virtual_op": 0,
  "timestamp": "2020-12-06T03:58:42",
  "op": [
    "delegate_vesting_shares",
    {
      "delegator": "steem",
      "delegatee": "defy",
      "vesting_shares": "1912.543513 VESTS"
    }
  ]
}

{
  "trx_id": "4a4f79a0b0130eaef470ea1b9a568cc2cf940632",
  "block": 49186949,
  "trx_in_block": 0,
  "op_in_trx": 0,
  "virtual_op": 0,
  "timestamp": "2020-12-05T11:55:57",
  "op": [
    "delegate_vesting_shares",
    {
      "delegator": "steem",
      "delegatee": "defy",
      "vesting_shares": "8530.316490 VESTS"
    }
  ]
}

{
  "trx_id": "cde04eea2181bf1941583aeb7be46dde155acb01",
  "block": 48255864,
  "trx_in_block": 5,
  "op_in_trx": 0,
  "virtual_op": 0,
  "timestamp": "2020-11-02T13:59:30",
  "op": [
    "delegate_vesting_shares",
    {
      "delegator": "steem",
      "delegatee": "defy",
      "vesting_shares": "1920.017158 VESTS"
    }
  ]
}

{
  "trx_id": "fefadb385dbbd78dcfacc58e87d76a001b1422de",
  "block": 43216078,
  "trx_in_block": 28,
  "op_in_trx": 0,
  "virtual_op": 0,
  "timestamp": "2020-05-09T04:55:12",
  "op": [
    "delegate_vesting_shares",
    {
      "delegator": "steem",
      "delegatee": "defy",
      "vesting_shares": "8732.963064 VESTS"
    }
  ]
}

{
  "trx_id": "80af7bb9133859c6daf7abd6833016ccd837ac7e",
  "block": 43192031,
  "trx_in_block": 1,
  "op_in_trx": 0,
  "virtual_op": 0,
  "timestamp": "2020-05-08T08:24:06",
  "op": [
    "delegate_vesting_shares",
    {
      "delegator": "steem",
      "delegatee": "defy",
      "vesting_shares": "1953.311140 VESTS"
    }
  ]
}

{
  "trx_id": "a511a248951df9d9e1cebee15069a4f01682e099",
  "block": 39471153,
  "trx_in_block": 19,
  "op_in_trx": 0,
  "virtual_op": 0,
  "timestamp": "2019-12-29T20:55:54",
  "op": [
    "account_update",
    {
      "account": "defy",
      "memo_key": "STM8NC1R2yfVkLwpv4CVXVpARan6bKUG52Ppu7mkUbZXPaLo6FQhV",
      "json_metadata": "{\"profile\":{\"name\":\"defy\",\"cover_image\":\"http://www.candlechem.com/images/D152teal.gif\"}}"
    }
  ]
}

{
  "trx_id": "19c1fe2c7737e8dd4f47e50f8eb017fb8a3c3064",
  "block": 39471149,
  "trx_in_block": 23,
  "op_in_trx": 0,
  "virtual_op": 0,
  "timestamp": "2019-12-29T20:55:42",
  "op": [
    "account_update",
    {
      "account": "defy",
      "memo_key": "STM8NC1R2yfVkLwpv4CVXVpARan6bKUG52Ppu7mkUbZXPaLo6FQhV",
      "json_metadata": "{\"profile\":{\"name\":\"defy\",\"profile_image\":\"https://cdn.steemitimages.com/DQmTXzxLdLJxEZf6Gc1BdHHfj9oiutKam1rgmg2LvtzChHq/DONATIEN_SMALLER_SQUARE.jpg\",\"cover_image\":\"http://www.candlechem.com/images/D152teal.gif\"}}"
    }
  ]
}

{
  "trx_id": "3e709f72f6b621ab8a565f4a88e5af06a56c3645",
  "block": 37787624,
  "trx_in_block": 4,
  "op_in_trx": 0,
  "virtual_op": 0,
  "timestamp": "2019-11-01T07:22:06",
  "op": [
    "delegate_vesting_shares",
    {
      "delegator": "steem",
      "delegatee": "defy",
      "vesting_shares": "8839.362147 VESTS"
    }
  ]
}

{
  "trx_id": "8bfe71bb38683f4fd60e52eb01a0c96acfb5c01c",
  "block": 34964091,
  "trx_in_block": 11,
  "op_in_trx": 0,
  "virtual_op": 0,
  "timestamp": "2019-07-25T06:49:15",
  "op": [
    "comment",
    {
      "parent_author": "defy",
      "parent_permlink": "etape-2-mise-a-disposition-sur-le-web",
      "author": "steemitboard",
      "permlink": "steemitboard-notify-defy-20190725t064914000z",
      "title": "",
      "body": "Congratulations @defy! You received a personal award!\n\n<table><tr><td>https://steemitimages.com/70x70/http://steemitboard.com/@defy/birthday2.png</td><td>Happy Birthday! - You are on the Steem blockchain for 2 years!</td></tr></table>\n\n<sub>_You can view [your badges on your Steem Board](https://steemitboard.com/@defy) and compare to others on the [Steem Ranking](https://steemitboard.com/ranking/index.php?name=defy)_</sub>\n\n\n###### [Vote for @Steemitboard as a witness](https://v2.steemconnect.com/sign/account-witness-vote?witness=steemitboard&approve=1) to get one more award and increased upvotes!",
      "json_metadata": "{\"image\":[\"https://steemitboard.com/img/notify.png\"]}"
    }
  ]
}

{
  "trx_id": "fafe2f5af2f97d05a1cdf97ef2f7df537d9891af",
  "block": 28043601,
  "trx_in_block": 9,
  "op_in_trx": 0,
  "virtual_op": 0,
  "timestamp": "2018-11-26T17:13:00",
  "op": [
    "delegate_vesting_shares",
    {
      "delegator": "steem",
      "delegatee": "defy",
      "vesting_shares": "9036.837524 VESTS"
    }
  ]
}

{
  "trx_id": "8b2c9bc2f5a54e0a03950369ab949d223b60b7dd",
  "block": 24709866,
  "trx_in_block": 28,
  "op_in_trx": 0,
  "virtual_op": 0,
  "timestamp": "2018-08-02T08:21:03",
  "op": [
    "custom_json",
    {
      "required_auths": [],
      "required_posting_auths": [
        "defy"
      ],
      "id": "follow",
      "json": "[\"follow\",{\"follower\":\"defy\",\"following\":\"adsactly\",\"what\":[]}]"
    }
  ]
}

{
  "trx_id": "5c4b895f2edbd29fd697eef992e95b6ca166378d",
  "block": 24484943,
  "trx_in_block": 13,
  "op_in_trx": 0,
  "virtual_op": 0,
  "timestamp": "2018-07-25T12:25:54",
  "op": [
    "custom_json",
    {
      "required_auths": [],
      "required_posting_auths": [
        "defy"
      ],
      "id": "follow",
      "json": "[\"follow\",{\"follower\":\"defy\",\"following\":\"markgritter\",\"what\":[\"blog\"]}]"
    }
  ]
}

{
  "trx_id": "4cc18267e9353c0ab212257431eb53f260979d03",
  "block": 24484940,
  "trx_in_block": 2,
  "op_in_trx": 0,
  "virtual_op": 0,
  "timestamp": "2018-07-25T12:25:45",
  "op": [
    "custom_json",
    {
      "required_auths": [],
      "required_posting_auths": [
        "defy"
      ],
      "id": "follow",
      "json": "[\"follow\",{\"follower\":\"defy\",\"following\":\"birchmark\",\"what\":[\"blog\"]}]"
    }
  ]
}

{
  "trx_id": "15118358c2d94be5720da625d936ea0addace313",
  "block": 24484909,
  "trx_in_block": 4,
  "op_in_trx": 0,
  "virtual_op": 0,
  "timestamp": "2018-07-25T12:24:12",
  "op": [
    "custom_json",
    {
      "required_auths": [],
      "required_posting_auths": [
        "defy"
      ],
      "id": "follow",
      "json": "[\"follow\",{\"follower\":\"defy\",\"following\":\"adsactly\",\"what\":[\"blog\"]}]"
    }
  ]
}

{
  "trx_id": "9907cba32617016829bc33b997cdda500d927f47",
  "block": 24484274,
  "trx_in_block": 1,
  "op_in_trx": 0,
  "virtual_op": 0,
  "timestamp": "2018-07-25T11:52:24",
  "op": [
    "account_update",
    {
      "account": "defy",
      "memo_key": "STM8NC1R2yfVkLwpv4CVXVpARan6bKUG52Ppu7mkUbZXPaLo6FQhV",
      "json_metadata": "{\"profile\":{\"name\":\"ddonatien\",\"profile_image\":\"https://cdn.steemitimages.com/DQmTXzxLdLJxEZf6Gc1BdHHfj9oiutKam1rgmg2LvtzChHq/DONATIEN_SMALLER_SQUARE.jpg\",\"cover_image\":\"http://www.candlechem.com/images/D152teal.gif\"}}"
    }
  ]
}

{
  "trx_id": "ce2bcd856efb56fce58cb7e1f362fc0653c2128c",
  "block": 24481867,
  "trx_in_block": 3,
  "op_in_trx": 0,
  "virtual_op": 0,
  "timestamp": "2018-07-25T09:52:03",
  "op": [
    "comment",
    {
      "parent_author": "",
      "parent_permlink": "programming",
      "author": "defy",
      "permlink": "etape-2-mise-a-disposition-sur-le-web",
      "title": "Etape 2 : mise à disposition sur le web",
      "body": "Une fois un tel service mis en place, il est de l'ordre de l'intérêt général de le mettre à disposition de tous.  \nNous allons donc devoir coder une api minimaliste pour pouvoir rendre ce service accessible via le web.\nC'est ce que nous allons nous atteler dans cette partie. Et pour ce faire et rester dans le Python nous allons utiliser le microframework [flask](http://flask.pocoo.org/).\n\n# Initialisation du projet\n - Organisation des fichiers\n  J'ai pour ma part choisi de développer mon micro serveur dans le même projet que celui de l'étape précedente, mais on peut choisir de mettre la racine où l'on souhaite.  \n  Pour cette partie nous auront besoin que d'une arborescence très limitée. En effet nous aurons juste besoin d'un fichier .py qui décrit le fonctionnement du serveur et d'un dossier `templates` qui contiendra  le template de notre page d'accueil.  \n  On penchera donc pour la structure suivante :\n    ``` \n    /\n       server.py\n       templates/\n         index.html\n    ```\n\n- Installation de Flask\n    Flask s'installe très facilement avec pip : `pip install flask`  \n    On aura aussi besoin du package flask-uploads tout à l'heure pour gérer les uploads d'images, donc il peut être pertinent de l'installer maintenant : ` pip install Flask-Uploads`\n\n# Développement d'un serveur basique\n  Nous allons commencer par un serveur très minimaliste que nous complèterons ensuite. Pour cela nous aurons seulement besoin de créer un fichier _index.html_ et un fichier _server.py_.\n\n  **index.html**\n   Nous aurons seulement besoin sur notre page web d'un formulaire pour pourvoir téléverser des images vers notre serveur. Un fichier html de ce type nous convient donc amplement :  \n  ```\n    <html>\n        <head>\n            <title>Détection visage</title>\n        </head>\n        <body>\n            Veuillez soumettre une image à la détection :\n            <form method=POST enctype=multipart/form-data action=\"\">\n                <input type=file name=photo>\n                <input type=\"submit\">\n            </form>\n        </body>\n    </html>\n  ```\n  On remarquera que nous avons laissé le champ action vide car nous n'avons pas encore créé la route pour l'upload d'images\n\n  **server.py**\n  Pour l'instant nous avons seulement besoin d'une route qui permette de renvoyer notre page html à une requête GET sur notre url.\n  Rien de plus simple :   \n  ```\n from flask import Flask, render_template\n\napp = Flask(__name__)\n\[email protected]('/')\ndef index():\n    return render_template('index.html')\n\n\nif __name__ == '__main__':\n    app.run()\n```\n  \n   \nNotre serveur est prêt !\nPour le lancer : \n```\nexport FLASK_APP=server.py\nflask run\n```\n\nOn retrouve notre page web sur `localhost:5000`.   \nC'est très bien,  mais il nous manque encore la fonctionnalité principale, à savoir renvoyer les résultats de notre run.py de l'étape précédente à notre utilisateur.\n\n# Ajout de la route d'upload pour la détection\n\nNous allons commencer par ajouter la route dans server.py. Les requêtes que nous attendrons seront des requêtes POST sur la route _/upload_.\n```\[email protected]('/upload', methods=['POST'])\ndef upload():\n```\n\nPour gérer la récupération des images nous allons utiliser le package [flask_upload](https://pythonhosted.org/Flask-Uploads/). Nous allons  donc créer un nouveau UploadSet et le configurer de manière à définir le dossier où seront téléversées les images envoyées par les utilisateurs.\n\n```\nphotos = UploadSet('photos', IMAGES)\n\napp.config['UPLOADED_PHOTOS_DEST'] = 'static/img'\nconfigure_uploads(app, photos)\n```\n\nUne fois ceci fait nous pouvons facilement enregistrer les images envoyées grâce à la méthode _save_ de notre _UploadSet_ :\n```\n    if 'photo' in request.files:\n        filename = photos.save(request.files['photo'])\n```\nNous utiliserons le package _subprocess_ pour exécuter la commande de l'étape 1 et il ne nous reste qu'à rajouter notre route comme action dans notre template html et le tour est joué !\n\n/!\\ Il faut penser à ajouter le dossier parent de notre package \"detect_visage\" au path python pour que subprocess sache où le chercher.\n\nPour lancer le serveur :\n```\nexport PYTHONPATH=$PYTHONPATH:<path_vers_parent_detect_visage>\"\nexport  FLASK_APP=server.py\nflask run\n```\n\nCode complet :  https://github.com/ddonatien/detect_visage/releases/tag/v1",
      "json_metadata": "{\"tags\":[\"programming\",\"python\",\"flask\",\"fr\",\"francais\"],\"links\":[\"http://flask.pocoo.org/\",\"https://pythonhosted.org/Flask-Uploads/\",\"https://github.com/ddonatien/detect_visage/releases/tag/v1\"],\"app\":\"steemit/0.1\",\"format\":\"markdown\"}"
    }
  ]
}

{
  "trx_id": "9b2b1131ab3cd68d25a960b5de3b35cd2fc98b69",
  "block": 24481858,
  "trx_in_block": 16,
  "op_in_trx": 0,
  "virtual_op": 0,
  "timestamp": "2018-07-25T09:51:36",
  "op": [
    "comment",
    {
      "parent_author": "",
      "parent_permlink": "python",
      "author": "defy",
      "permlink": "etape-1-creation-du-service",
      "title": "Etape 1 : création du service",
      "body": "Dans cette première étape nous allons développer un service simple de détection de visages comme base pour la suite.\n\nComment faire de la détection de visage en python grâce à openCV ?\n\nNous allons utiliser la librairie python cv2 et plus particulièrement le _CascadeClassifier_.\n\n# Initialisation du projet.\n\n\n- Organisation des fichiers.\n\n    Nous allons suivre l'arborescence suivante pour notre projet. C'est une organisation très classique pour un package python.\n  ```\n  /\n    run.py\n    app/\n      __init__.py\n      detect.py\n    models/\n      a.xml\n    data/\n      img.jpg\n  ```\n\n\n- Technologie de reconnaissance.\n\n  Dans le but de rester assez concis nous allons utiliser pour ce projet un modèle pré-entrainé de haar cascade détection fourni avec openCV. Pour aller plus loin des informations complémentaires sont disponibles au lien suivant : https://docs.opencv.org/3.3.1/d7/d8b/tutorial_py_face_detection.html\n\n\n# Développement.\n\n\nComme on peut l'intuiter en observant l'arborescence nous allons dans ce projet séparer la partie intelligence et la partie interface dans deux fichiers différents. Dans le fichier detect.py nous allons réunir tout ce qui est nécessaire au détecteur, tandis que le fichier run.py permettra d'instancier un détecteur et de l'utiliser sur une image soumise par l'utilisateur.\n\n  Préalablement au développement il est nécessaire de télécharger la modèle pré-entrainé disponible au lien suivant : https://raw.githubusercontent.com/opencv/opencv/master/data/haarcascades/haarcascade_frontalface_default.xml  dans le dossier `models`.\n\n  - detect.py\n      Dans detect.py nous allons faire une classe python DetectVisage que nous pourrons ensuite importer et instancier dans le run.py.\n      Cette classe n'a que deux actions à effectuer :  charger le modèle en mémoire et utiliser ce modèle pour faire de la détéction. On va donc traduire cela par deux méthodes : une méthode charge_model et une méthode detect.\n\n    *charge_model* :\n\n    ```\n    def charge_model(self):\n\n        root_path = os.path.dirname(sys.modules['__main__'].__file__)\n        model_path = os.path.join(root_path, 'models')\n        self.filtre = cv2.CascadeClassifier(\n            os.path.join(model_path, 'haarcascade_frontalface_default.xml'))\n    ```\n\n    On notera que l'on récupère le chemin vers le xml du modèle relativement à la racine du projet. Cela permet de pouvoir déplacer facilement le projet dans un système ou d'un système à un autre sans avoir à se soucier de problème de fichiers perdus.\n\n    *detect* :\n\n     ``` \n    def detect(self, path_image):\n\n        image = cv2.imread(path_image)\n        image_niveaux_gris = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)\n        face = self.filtre.detectMultiScale(image_niveaux_gris)\n        return False if len(face) == 0 else True\n      ```\n\n    Pour faire la détection nous allons utiliser la méthode detectMultiScale de notre CascadeClassifier. Cette méthode va chercher plusieurs fois un visage dans l'image en augmentant la taille de la zone de détection de 10% à chaque itération (on utilise la valeur par défaut. Cela permet d'être robuste au zoom.\n    Le détecteur fonctionne sur des images en niveaux de gris. Il est donc important de convertir l'espace des couleurs avant de l'utiliser.\n\n    Code complet : https://github.com/ddonatien/detect_visage/blob/v0/app/detect.py\n\n\n\n\n\n  Nous avons maintenant un détecteur de visage ! Mais aucune façon de dialoguer avec...\n\n  - run.py\n\n    Pour pallier  ce problème nous allons pour l'instant faire une interface minimaliste avec la console. Pour ce faire nous nous servirons de la librairie getopts pour pouvoir passer des chemins vers des images au détecteur.\n\n    Une fois la librairie importée il ne nous restera plus qu'à définir les arguments attendus et agir en conséquences.\n\n    ```\n    try:\n        opts, args = getopt.getopt(sys.argv[1:], 'h:i:', ['help', 'image'])\n    except getopt.GetoptError:\n        sys.exit(2)\n    \n    chemin_image = ''\n    for opt, arg in opts:\n        if opt in ('-i', '--image'):\n            chemin_image = arg\n    \n    detecteur = DetectVisage()\n    if detecteur.detect(chemin_image):\n        print(\"Visage detecte !\")\n    else:\n        print(\"Pas de visage\")\n    ```\n\n    Code complet ici : https://github.com/ddonatien/detect_visage/blob/v0/run.py\n  \nVous pouvez maintenant tester votre détecteur avec vos images ou avec les deux images de test fournies avec le projet (dans data) en appelant le run du package et en lui donnant le chemin vers une image : `python2 -m detect_visage.run -i detect_visage/data/pas_visage.png` par exemple !\n\n\n\n\nEtape 2 : https://steemit.com/programming/@defy/etape-2-mise-a-disposition-sur-le-web",
      "json_metadata": "{\"tags\":[\"python\",\"programming\",\"opencv\",\"fr\",\"francais\"],\"links\":[\"https://docs.opencv.org/3.3.1/d7/d8b/tutorial_py_face_detection.html\",\"https://raw.githubusercontent.com/opencv/opencv/master/data/haarcascades/haarcascade_frontalface_default.xml\",\"https://github.com/ddonatien/detect_visage/blob/v0/app/detect.py\",\"https://github.com/ddonatien/detect_visage/blob/v0/run.py\",\"https://steemit.com/programming/@defy/etape-2-mise-a-disposition-sur-le-web\"],\"app\":\"steemit/0.1\",\"format\":\"markdown\"}"
    }
  ]
}

{
  "trx_id": "efd1b79d46a19b502b23cfc66d8a51502ed45cd4",
  "block": 24430989,
  "trx_in_block": 21,
  "op_in_trx": 0,
  "virtual_op": 0,
  "timestamp": "2018-07-23T15:27:12",
  "op": [
    "comment",
    {
      "parent_author": "",
      "parent_permlink": "python",
      "author": "defy",
      "permlink": "etape-1-creation-du-service",
      "title": "Etape 1 : création du service",
      "body": "Dans cette première étape nous allons développer un service simple de détection de visages comme base pour la suite.\n\nComment faire de la détection de visage en python grâce à openCV ?\n\nNous allons utiliser la librairie python cv2 et plus particulièrement le _CascadeClassifier_.\n\n# Initialisation du projet.\n\n\n- Organisation des fichiers.\n\n    Nous allons suivre l'arborescence suivante pour notre projet. C'est une organisation très classique pour un package python.\n  ```\n  /\n    run.py\n    app/\n      __init__.py\n      detect.py\n    models/\n      a.xml\n    data/\n      img.jpg\n  ```\n\n\n- Technologie de reconnaissance.\n\n  Dans le but de rester assez concis nous allons utiliser pour ce projet un modèle pré-entrainé de haar cascade détection fourni avec openCV. Pour aller plus loin des informations complémentaires sont disponibles au lien suivant : https://docs.opencv.org/3.3.1/d7/d8b/tutorial_py_face_detection.html\n\n\n# Développement.\n\n\nComme on peut l'intuiter en observant l'arborescence nous allons dans ce projet séparer la partie intelligence et la partie interface dans deux fichiers différents. Dans le fichier detect.py nous allons réunir tout ce qui est nécessaire au détecteur, tandis que le fichier run.py permettra d'instancier un détecteur et de l'utiliser sur une image soumise par l'utilisateur.\n\n  Préalablement au développement il est nécessaire de télécharger la modèle pré-entrainé disponible au lien suivant : https://raw.githubusercontent.com/opencv/opencv/master/data/haarcascades/haarcascade_frontalface_default.xml  dans le dossier `models`.\n\n  - detect.py\n      Dans detect.py nous allons faire une classe python DetectVisage que nous pourrons ensuite importer et instancier dans le run.py.\n      Cette classe n'a que deux actions à effectuer :  charger le modèle en mémoire et utiliser ce modèle pour faire de la détéction. On va donc traduire cela par deux méthodes : une méthode charge_model et une méthode detect.\n\n    *charge_model* :\n\n    ```\n    def charge_model(self):\n\n        root_path = os.path.dirname(sys.modules['__main__'].__file__)\n        model_path = os.path.join(root_path, 'models')\n        self.filtre = cv2.CascadeClassifier(\n            os.path.join(model_path, 'haarcascade_frontalface_default.xml'))\n    ```\n\n    On notera que l'on récupère le chemin vers le xml du modèle relativement à la racine du projet. Cela permet de pouvoir déplacer facilement le projet dans un système ou d'un système à un autre sans avoir à se soucier de problème de fichiers perdus.\n\n    *detect* :\n\n     ``` \n    def detect(self, path_image):\n\n        image = cv2.imread(path_image)\n        image_niveaux_gris = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)\n        face = self.filtre.detectMultiScale(image_niveaux_gris)\n        return False if len(face) == 0 else True\n      ```\n\n    Pour faire la détection nous allons utiliser la méthode detectMultiScale de notre CascadeClassifier. Cette méthode va chercher plusieurs fois un visage dans l'image en augmentant la taille de la zone de détection de 10% à chaque itération (on utilise la valeur par défaut. Cela permet d'être robuste au zoom.\n    Le détecteur fonctionne sur des images en niveaux de gris. Il est donc important de convertir l'espace des couleurs avant de l'utiliser.\n\n    Code complet : https://github.com/ddonatien/detect_visage/blob/v0/app/detect.py\n\n\n\n\n\n  Nous avons maintenant un détecteur de visage ! Mais aucune façon de dialoguer avec...\n\n  - run.py\n\n    Pour pallier  ce problème nous allons pour l'instant faire une interface minimaliste avec la console. Pour ce faire nous nous servirons de la librairie getopts pour pouvoir passer des chemins vers des images au détecteur.\n\n    Une fois la librairie importée il ne nous restera plus qu'à définir les arguments attendus et agir en conséquences.\n\n    ```\n    try:\n        opts, args = getopt.getopt(sys.argv[1:], 'h:i:', ['help', 'image'])\n    except getopt.GetoptError:\n        sys.exit(2)\n    \n    chemin_image = ''\n    for opt, arg in opts:\n        if opt in ('-i', '--image'):\n            chemin_image = arg\n    \n    detecteur = DetectVisage()\n    if detecteur.detect(chemin_image):\n        print(\"Visage detecte !\")\n    else:\n        print(\"Pas de visage\")\n    ```\n\n    Code complet ici : https://github.com/ddonatien/detect_visage/blob/v0/run.py\n  \nVous pouvez maintenant tester votre détecteur avec vos images ou avec les deux images de test fournies avec le projet (dans data) en appelant le run du package et en lui donnant le chemin vers une image : `python2 -m detect_visage.run -i detect_visage/data/pas_visage.png` par exemple !\n\n\n\n\nEtape 2 : https://steemit.com/programming/@defy/etape-2-mise-a-disposition-sur-le-web",
      "json_metadata": "{\"tags\":[\"programming\",\"python\",\"opencv\"],\"links\":[\"https://docs.opencv.org/3.3.1/d7/d8b/tutorial_py_face_detection.html\",\"https://raw.githubusercontent.com/opencv/opencv/master/data/haarcascades/haarcascade_frontalface_default.xml\",\"https://github.com/ddonatien/detect_visage/blob/v0/app/detect.py\",\"https://github.com/ddonatien/detect_visage/blob/v0/run.py\",\"https://steemit.com/programming/@defy/etape-2-mise-a-disposition-sur-le-web\"],\"app\":\"steemit/0.1\",\"format\":\"markdown\"}"
    }
  ]
}

{
  "trx_id": "1e69fcf2daa94bdfdd9e312157c16bbbe85f14a4",
  "block": 24430622,
  "trx_in_block": 41,
  "op_in_trx": 0,
  "virtual_op": 0,
  "timestamp": "2018-07-23T15:08:51",
  "op": [
    "comment",
    {
      "parent_author": "",
      "parent_permlink": "python",
      "author": "defy",
      "permlink": "etape-1-creation-du-service",
      "title": "Etape 1 : création du service",
      "body": "Dans cette première étape nous allons développer un service simple de détection de visages comme base pour la suite.\n\nComment faire de la détection de visage en python grâce à openCV ?\n\nNous allons utiliser la librairie python cv2 et plus particulièrement le _CascadeClassifier_.\n\n# Initialisation du projet.\n\n\n- Organisation des fichiers.\n\n    Nous allons suivre l'arborescence suivante pour notre projet. C'est une organisation très classique pour un package python.\n  ```\n  /\n    run.py\n    app/\n      __init__.py\n      detect.py\n    models/\n      a.xml\n    data/\n      img.jpg\n  ```\n\n\n- Technologie de reconnaissance.\n\n  Dans le but de rester assez concis nous allons utiliser pour ce projet un modèle pré-entrainé de haar cascade détection fourni avec openCV. Pour aller plus loin des informations complémentaires sont disponibles au lien suivant : https://docs.opencv.org/3.3.1/d7/d8b/tutorial_py_face_detection.html\n\n\n# Développement.\n\n\nComme on peut l'intuiter en observant l'arborescence nous allons dans ce projet séparer la partie intelligence et la partie interface dans deux fichiers différents. Dans le fichier detect.py nous allons réunir tout ce qui est nécessaire au détecteur, tandis que le fichier run.py permettra d'instancier un détecteur et de l'utiliser sur une image soumise par l'utilisateur.\n\n  Préalablement au développement il est nécessaire de télécharger la modèle pré-entrainé disponible au lien suivant : https://raw.githubusercontent.com/opencv/opencv/master/data/haarcascades/haarcascade_frontalface_default.xml  dans le dossier `models`.\n\n  - detect.py\n      Dans detect.py nous allons faire une classe python DetectVisage que nous pourrons ensuite importer et instancier dans le run.py.\n      Cette classe n'a que deux actions à effectuer :  charger le modèle en mémoire et utiliser ce modèle pour faire de la détéction. On va donc traduire cela par deux méthodes : une méthode charge_model et une méthode detect.\n\n    *charge_model* :\n\n    ```\n    def charge_model(self):\n\n        root_path = os.path.dirname(sys.modules['__main__'].__file__)\n        model_path = os.path.join(root_path, 'models')\n        self.filtre = cv2.CascadeClassifier(\n            os.path.join(model_path, 'haarcascade_frontalface_default.xml'))\n    ```\n\n    On notera que l'on récupère le chemin vers le xml du modèle relativement à la racine du projet. Cela permet de pouvoir déplacer facilement le projet dans un système ou d'un système à un autre sans avoir à se soucier de problème de fichiers perdus.\n\n    *detect* :\n\n     ``` \n    def detect(self, path_image):\n\n        image = cv2.imread(path_image)\n        image_niveaux_gris = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)\n        face = self.filtre.detectMultiScale(image_niveaux_gris)\n        return False if len(face) == 0 else True\n      ```\n\n    Pour faire la détection nous allons utiliser la méthode detectMultiScale de notre CascadeClassifier. Cette méthode va chercher plusieurs fois un visage dans l'image en augmentant la taille de la zone de détection de 10% à chaque itération (on utilise la valeur par défaut. Cela permet d'être robuste au zoom.\n    Le détecteur fonctionne sur des images en niveaux de gris. Il est donc important de convertir l'espace des couleurs avant de l'utiliser.\n\n    Code complet : https://github.com/ddonatien/detect_visage/blob/v0/app/detect.py\n\n\n\n\n\n  Nous avons maintenant un détecteur de visage ! Mais aucune façon de dialoguer avec...\n\n  - run.py\n\n    Pour pallier  ce problème nous allons pour l'instant faire une interface minimaliste avec la console. Pour ce faire nous nous servirons de la librairie getopts pour pouvoir passer des chemins vers des images au détecteur.\n\n    Une fois la librairie importée il ne nous restera plus qu'à définir les arguments attendus et agir en conséquences.\n\n    ```\n    try:\n        opts, args = getopt.getopt(sys.argv[1:], 'h:i:', ['help', 'image'])\n    except getopt.GetoptError:\n        sys.exit(2)\n    \n    chemin_image = ''\n    for opt, arg in opts:\n        if opt in ('-i', '--image'):\n            chemin_image = arg\n    \n    detecteur = DetectVisage()\n    if detecteur.detect(chemin_image):\n        print(\"Visage detecte !\")\n    else:\n        print(\"Pas de visage\")\n    ```\n\n    Code complet ici : https://github.com/ddonatien/detect_visage/blob/v0/run.py\n  \nVous pouvez maintenant tester votre détecteur avec vos images ou avec les deux images de test fournies avec le projet (dans data) en appelant le run du package et en lui donnant le chemin vers une image : `python2 -m detect_visage.run -i detect_visage/data/pas_visage.png` par exemple !\n\n\n\n\nEtape 2 : https://steemit.com/programming/@defy/etape-2-mise-a-disposition-sur-le-web",
      "json_metadata": "{\"tags\":[\"programming\",\"python\",\"opencv\"],\"links\":[\"https://docs.opencv.org/3.3.1/d7/d8b/tutorial_py_face_detection.html\",\"https://raw.githubusercontent.com/opencv/opencv/master/data/haarcascades/haarcascade_frontalface_default.xml\",\"https://github.com/ddonatien/detect_visage/blob/v0/app/detect.py\",\"https://github.com/ddonatien/detect_visage/blob/v0/run.py\",\"https://steemit.com/programming/@defy/etape-2-mise-a-disposition-sur-le-web\"],\"app\":\"steemit/0.1\",\"format\":\"markdown\"}"
    }
  ]
}

{
  "trx_id": "7eb6ce6b1d1342206a22677d0ae346a7829ea2a8",
  "block": 24430611,
  "trx_in_block": 64,
  "op_in_trx": 0,
  "virtual_op": 0,
  "timestamp": "2018-07-23T15:08:18",
  "op": [
    "comment",
    {
      "parent_author": "",
      "parent_permlink": "python",
      "author": "defy",
      "permlink": "etape-1-creation-du-service",
      "title": "Etape 1 : création du service",
      "body": "@@ -4592,8 +4592,98 @@\n xemple !\n+%0A%0A%0A%0A%0AEtape 2 : https://steemit.com/programming/@defy/etape-2-mise-a-disposition-sur-le-web\n",
      "json_metadata": "{\"tags\":[\"python\",\"programming\",\"opencv\"],\"links\":[\"https://docs.opencv.org/3.3.1/d7/d8b/tutorial_py_face_detection.html\",\"https://raw.githubusercontent.com/opencv/opencv/master/data/haarcascades/haarcascade_frontalface_default.xml\",\"https://github.com/ddonatien/detect_visage/blob/v0/app/detect.py\",\"https://github.com/ddonatien/detect_visage/blob/v0/run.py\",\"https://steemit.com/programming/@defy/etape-2-mise-a-disposition-sur-le-web\"],\"app\":\"steemit/0.1\",\"format\":\"markdown\"}"
    }
  ]
}

{
  "trx_id": "862ac332c0b1fd7f0236e33062a4251ecb4bddfa",
  "block": 24430598,
  "trx_in_block": 45,
  "op_in_trx": 0,
  "virtual_op": 0,
  "timestamp": "2018-07-23T15:07:39",
  "op": [
    "comment",
    {
      "parent_author": "",
      "parent_permlink": "programming",
      "author": "defy",
      "permlink": "etape-2-mise-a-disposition-sur-le-web",
      "title": "Etape 2 : mise à disposition sur le web",
      "body": "Une fois un tel service mis en place, il est de l'ordre de l'intérêt général de le mettre à disposition de tous.  \nNous allons donc devoir coder une api minimaliste pour pouvoir rendre ce service accessible via le web.\nC'est ce que nous allons nous atteler dans cette partie. Et pour ce faire et rester dans le Python nous allons utiliser le microframework [flask](http://flask.pocoo.org/).\n\n# Initialisation du projet\n - Organisation des fichiers\n  J'ai pour ma part choisi de développer mon micro serveur dans le même projet que celui de l'étape précedente, mais on peut choisir de mettre la racine où l'on souhaite.  \n  Pour cette partie nous auront besoin que d'une arborescence très limitée. En effet nous aurons juste besoin d'un fichier .py qui décrit le fonctionnement du serveur et d'un dossier `templates` qui contiendra  le template de notre page d'accueil.  \n  On penchera donc pour la structure suivante :\n    ``` \n    /\n       server.py\n       templates/\n         index.html\n    ```\n\n- Installation de Flask\n    Flask s'installe très facilement avec pip : `pip install flask`  \n    On aura aussi besoin du package flask-uploads tout à l'heure pour gérer les uploads d'images, donc il peut être pertinent de l'installer maintenant : ` pip install Flask-Uploads`\n\n# Développement d'un serveur basique\n  Nous allons commencer par un serveur très minimaliste que nous complèterons ensuite. Pour cela nous aurons seulement besoin de créer un fichier _index.html_ et un fichier _server.py_.\n\n  **index.html**\n   Nous aurons seulement besoin sur notre page web d'un formulaire pour pourvoir téléverser des images vers notre serveur. Un fichier html de ce type nous convient donc amplement :  \n  ```\n    <html>\n        <head>\n            <title>Détection visage</title>\n        </head>\n        <body>\n            Veuillez soumettre une image à la détection :\n            <form method=POST enctype=multipart/form-data action=\"\">\n                <input type=file name=photo>\n                <input type=\"submit\">\n            </form>\n        </body>\n    </html>\n  ```\n  On remarquera que nous avons laissé le champ action vide car nous n'avons pas encore créé la route pour l'upload d'images\n\n  **server.py**\n  Pour l'instant nous avons seulement besoin d'une route qui permette de renvoyer notre page html à une requête GET sur notre url.\n  Rien de plus simple :   \n  ```\n from flask import Flask, render_template\n\napp = Flask(__name__)\n\[email protected]('/')\ndef index():\n    return render_template('index.html')\n\n\nif __name__ == '__main__':\n    app.run()\n```\n  \n   \nNotre serveur est prêt !\nPour le lancer : \n```\nexport FLASK_APP=server.py\nflask run\n```\n\nOn retrouve notre page web sur `localhost:5000`.   \nC'est très bien,  mais il nous manque encore la fonctionnalité principale, à savoir renvoyer les résultats de notre run.py de l'étape précédente à notre utilisateur.\n\n# Ajout de la route d'upload pour la détection\n\nNous allons commencer par ajouter la route dans server.py. Les requêtes que nous attendrons seront des requêtes POST sur la route _/upload_.\n```\[email protected]('/upload', methods=['POST'])\ndef upload():\n```\n\nPour gérer la récupération des images nous allons utiliser le package [flask_upload](https://pythonhosted.org/Flask-Uploads/). Nous allons  donc créer un nouveau UploadSet et le configurer de manière à définir le dossier où seront téléversées les images envoyées par les utilisateurs.\n\n```\nphotos = UploadSet('photos', IMAGES)\n\napp.config['UPLOADED_PHOTOS_DEST'] = 'static/img'\nconfigure_uploads(app, photos)\n```\n\nUne fois ceci fait nous pouvons facilement enregistrer les images envoyées grâce à la méthode _save_ de notre _UploadSet_ :\n```\n    if 'photo' in request.files:\n        filename = photos.save(request.files['photo'])\n```\nNous utiliserons le package _subprocess_ pour exécuter la commande de l'étape 1 et il ne nous reste qu'à rajouter notre route comme action dans notre template html et le tour est joué !\n\n/!\\ Il faut penser à ajouter le dossier parent de notre package \"detect_visage\" au path python pour que subprocess sache où le chercher.\n\nPour lancer le serveur :\n```\nexport PYTHONPATH=$PYTHONPATH:<path_vers_parent_detect_visage>\"\nexport  FLASK_APP=server.py\nflask run\n```\n\nCode complet :  https://github.com/ddonatien/detect_visage/releases/tag/v1",
      "json_metadata": "{\"tags\":[\"programming\",\"python\",\"flask\"],\"links\":[\"http://flask.pocoo.org/\",\"https://pythonhosted.org/Flask-Uploads/\",\"https://github.com/ddonatien/detect_visage/releases/tag/v1\"],\"app\":\"steemit/0.1\",\"format\":\"markdown\"}"
    }
  ]
}

{
  "trx_id": "04619469d8bb12db0d4c1887e3821883e1ac7a32",
  "block": 24426662,
  "trx_in_block": 7,
  "op_in_trx": 0,
  "virtual_op": 0,
  "timestamp": "2018-07-23T11:50:42",
  "op": [
    "delegate_vesting_shares",
    {
      "delegator": "steem",
      "delegatee": "defy",
      "vesting_shares": "29381.674569 VESTS"
    }
  ]
}

{
  "trx_id": "1307415dfdce28aba4fb67b420f4eb2ef98b5897",
  "block": 24425854,
  "trx_in_block": 14,
  "op_in_trx": 0,
  "virtual_op": 0,
  "timestamp": "2018-07-23T11:10:18",
  "op": [
    "vote",
    {
      "voter": "youngogmarqs",
      "author": "defy",
      "permlink": "etape-1-creation-du-service",
      "weight": 2
    }
  ]
}

{
  "trx_id": "56609feb505dfe10835ebdf1937fa32d3ebce8cf",
  "block": 24425522,
  "trx_in_block": 49,
  "op_in_trx": 0,
  "virtual_op": 0,
  "timestamp": "2018-07-23T10:53:42",
  "op": [
    "comment",
    {
      "parent_author": "",
      "parent_permlink": "python",
      "author": "defy",
      "permlink": "etape-1-creation-du-service",
      "title": "Etape 1 : création du service",
      "body": "@@ -921,17 +921,17 @@\n ml%0A%0A%0A# D\n-e\n+%C3%A9\n veloppem\n",
      "json_metadata": "{\"tags\":[\"python\",\"programming\",\"opencv\"],\"links\":[\"https://docs.opencv.org/3.3.1/d7/d8b/tutorial_py_face_detection.html\",\"https://raw.githubusercontent.com/opencv/opencv/master/data/haarcascades/haarcascade_frontalface_default.xml\",\"https://github.com/ddonatien/detect_visage/blob/v0/app/detect.py\",\"https://github.com/ddonatien/detect_visage/blob/v0/run.py\"],\"app\":\"steemit/0.1\",\"format\":\"markdown\"}"
    }
  ]
}

{
  "trx_id": "81789014b12203954add705d6392a734dd402675",
  "block": 24425497,
  "trx_in_block": 44,
  "op_in_trx": 0,
  "virtual_op": 0,
  "timestamp": "2018-07-23T10:52:27",
  "op": [
    "account_update",
    {
      "account": "defy",
      "memo_key": "STM8NC1R2yfVkLwpv4CVXVpARan6bKUG52Ppu7mkUbZXPaLo6FQhV",
      "json_metadata": "{\"profile\":{\"name\":\"ddonatien\",\"profile_image\":\"https://cdn.steemitimages.com/DQmTXzxLdLJxEZf6Gc1BdHHfj9oiutKam1rgmg2LvtzChHq/DONATIEN_SMALLER_SQUARE.jpg\"}}"
    }
  ]
}

{
  "trx_id": "b51591a3d82561ae602c1a4ceb11d7676d478d0e",
  "block": 24425474,
  "trx_in_block": 11,
  "op_in_trx": 0,
  "virtual_op": 0,
  "timestamp": "2018-07-23T10:51:18",
  "op": [
    "comment",
    {
      "parent_author": "",
      "parent_permlink": "python",
      "author": "defy",
      "permlink": "etape-1-creation-du-service",
      "title": "Etape 1 : création du service",
      "body": "Dans cette première étape nous allons développer un service simple de détection de visages comme base pour la suite.\n\nComment faire de la détection de visage en python grâce à openCV ?\n\nNous allons utiliser la librairie python cv2 et plus particulièrement le _CascadeClassifier_.\n\n# Initialisation du projet.\n\n\n- Organisation des fichiers.\n\n    Nous allons suivre l'arborescence suivante pour notre projet. C'est une organisation très classique pour un package python.\n  ```\n  /\n    run.py\n    app/\n      __init__.py\n      detect.py\n    models/\n      a.xml\n    data/\n      img.jpg\n  ```\n\n\n- Technologie de reconnaissance.\n\n  Dans le but de rester assez concis nous allons utiliser pour ce projet un modèle pré-entrainé de haar cascade détection fourni avec openCV. Pour aller plus loin des informations complémentaires sont disponibles au lien suivant : https://docs.opencv.org/3.3.1/d7/d8b/tutorial_py_face_detection.html\n\n\n# Developpement.\n\n\nComme on peut l'intuiter en observant l'arborescence nous allons dans ce projet séparer la partie intelligence et la partie interface dans deux fichiers différents. Dans le fichier detect.py nous allons réunir tout ce qui est nécessaire au détecteur, tandis que le fichier run.py permettra d'instancier un détecteur et de l'utiliser sur une image soumise par l'utilisateur.\n\n  Préalablement au développement il est nécessaire de télécharger la modèle pré-entrainé disponible au lien suivant : https://raw.githubusercontent.com/opencv/opencv/master/data/haarcascades/haarcascade_frontalface_default.xml  dans le dossier `models`.\n\n  - detect.py\n      Dans detect.py nous allons faire une classe python DetectVisage que nous pourrons ensuite importer et instancier dans le run.py.\n      Cette classe n'a que deux actions à effectuer :  charger le modèle en mémoire et utiliser ce modèle pour faire de la détéction. On va donc traduire cela par deux méthodes : une méthode charge_model et une méthode detect.\n\n    *charge_model* :\n\n    ```\n    def charge_model(self):\n\n        root_path = os.path.dirname(sys.modules['__main__'].__file__)\n        model_path = os.path.join(root_path, 'models')\n        self.filtre = cv2.CascadeClassifier(\n            os.path.join(model_path, 'haarcascade_frontalface_default.xml'))\n    ```\n\n    On notera que l'on récupère le chemin vers le xml du modèle relativement à la racine du projet. Cela permet de pouvoir déplacer facilement le projet dans un système ou d'un système à un autre sans avoir à se soucier de problème de fichiers perdus.\n\n    *detect* :\n\n     ``` \n    def detect(self, path_image):\n\n        image = cv2.imread(path_image)\n        image_niveaux_gris = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)\n        face = self.filtre.detectMultiScale(image_niveaux_gris)\n        return False if len(face) == 0 else True\n      ```\n\n    Pour faire la détection nous allons utiliser la méthode detectMultiScale de notre CascadeClassifier. Cette méthode va chercher plusieurs fois un visage dans l'image en augmentant la taille de la zone de détection de 10% à chaque itération (on utilise la valeur par défaut. Cela permet d'être robuste au zoom.\n    Le détecteur fonctionne sur des images en niveaux de gris. Il est donc important de convertir l'espace des couleurs avant de l'utiliser.\n\n    Code complet : https://github.com/ddonatien/detect_visage/blob/v0/app/detect.py\n\n\n\n\n\n  Nous avons maintenant un détecteur de visage ! Mais aucune façon de dialoguer avec...\n\n  - run.py\n\n    Pour pallier  ce problème nous allons pour l'instant faire une interface minimaliste avec la console. Pour ce faire nous nous servirons de la librairie getopts pour pouvoir passer des chemins vers des images au détecteur.\n\n    Une fois la librairie importée il ne nous restera plus qu'à définir les arguments attendus et agir en conséquences.\n\n    ```\n    try:\n        opts, args = getopt.getopt(sys.argv[1:], 'h:i:', ['help', 'image'])\n    except getopt.GetoptError:\n        sys.exit(2)\n    \n    chemin_image = ''\n    for opt, arg in opts:\n        if opt in ('-i', '--image'):\n            chemin_image = arg\n    \n    detecteur = DetectVisage()\n    if detecteur.detect(chemin_image):\n        print(\"Visage detecte !\")\n    else:\n        print(\"Pas de visage\")\n    ```\n\n    Code complet ici : https://github.com/ddonatien/detect_visage/blob/v0/run.py\n  \nVous pouvez maintenant tester votre détecteur avec vos images ou avec les deux images de test fournies avec le projet (dans data) en appelant le run du package et en lui donnant le chemin vers une image : `python2 -m detect_visage.run -i detect_visage/data/pas_visage.png` par exemple !",
      "json_metadata": "{\"tags\":[\"python\",\"programming\",\"opencv\"],\"links\":[\"https://docs.opencv.org/3.3.1/d7/d8b/tutorial_py_face_detection.html\",\"https://raw.githubusercontent.com/opencv/opencv/master/data/haarcascades/haarcascade_frontalface_default.xml\",\"https://github.com/ddonatien/detect_visage/blob/v0/app/detect.py\",\"https://github.com/ddonatien/detect_visage/blob/v0/run.py\"],\"app\":\"steemit/0.1\",\"format\":\"markdown\"}"
    }
  ]
}

{
  "trx_id": "88e9211b853dccf093c6e3f453b0743c86382021",
  "block": 24424979,
  "trx_in_block": 41,
  "op_in_trx": 0,
  "virtual_op": 0,
  "timestamp": "2018-07-23T10:26:33",
  "op": [
    "account_update",
    {
      "account": "defy",
      "memo_key": "STM8NC1R2yfVkLwpv4CVXVpARan6bKUG52Ppu7mkUbZXPaLo6FQhV",
      "json_metadata": "{\"profile\":{\"name\":\"ddonatien\"}}"
    }
  ]
}

{
  "trx_id": "6c064c4adec1ca25dbf43a7eb9aa6478b1e80e8c",
  "block": 22489774,
  "trx_in_block": 27,
  "op_in_trx": 0,
  "virtual_op": 0,
  "timestamp": "2018-05-16T20:13:39",
  "op": [
    "delegate_vesting_shares",
    {
      "delegator": "steem",
      "delegatee": "defy",
      "vesting_shares": "9141.115723 VESTS"
    }
  ]
}

{
  "trx_id": "fa994cce403449c44a018e690e988821a6cc39ba",
  "block": 18819542,
  "trx_in_block": 16,
  "op_in_trx": 0,
  "virtual_op": 0,
  "timestamp": "2018-01-09T06:37:06",
  "op": [
    "delegate_vesting_shares",
    {
      "delegator": "steem",
      "delegatee": "defy",
      "vesting_shares": "29692.106107 VESTS"
    }
  ]
}

{
  "trx_id": "2dc120a87077a69420a5cb71f37903da4fc5cd96",
  "block": 14271354,
  "trx_in_block": 18,
  "op_in_trx": 0,
  "virtual_op": 0,
  "timestamp": "2017-08-04T05:13:27",
  "op": [
    "delegate_vesting_shares",
    {
      "delegator": "steem",
      "delegatee": "defy",
      "vesting_shares": "29942.916815 VESTS"
    }
  ]
}

{
  "trx_id": "4e19186f36776ad538fe8730cd71aaf7eb1bf45e",
  "block": 13998521,
  "trx_in_block": 0,
  "op_in_trx": 0,
  "virtual_op": 0,
  "timestamp": "2017-07-25T17:44:12",
  "op": [
    "vote",
    {
      "voter": "defy",
      "author": "furion",
      "permlink": "this-demo-app-lets-you-publish-videos-on-steem",
      "weight": 10000
    }
  ]
}

{
  "trx_id": "b77e84c557acf39c0df56d6324e4dc5d07b3d15a",
  "block": 13997921,
  "trx_in_block": 6,
  "op_in_trx": 0,
  "virtual_op": 0,
  "timestamp": "2017-07-25T17:14:06",
  "op": [
    "vote",
    {
      "voter": "defy",
      "author": "hilarski",
      "permlink": "monkey-capital-gives-away-1000-tokens-worth-millions-to-crypto-currency-skeptic-peter-schiff",
      "weight": 10000
    }
  ]
}

{
  "trx_id": "6551a4682cc03d4714665e108bf8533f74942981",
  "block": 13997539,
  "trx_in_block": 18,
  "op_in_trx": 0,
  "virtual_op": 0,
  "timestamp": "2017-07-25T16:55:00",
  "op": [
    "vote",
    {
      "voter": "defy",
      "author": "imagicnation",
      "permlink": "when-u-watch-a-movie-with-a-stranger",
      "weight": 10000
    }
  ]
}

{
  "trx_id": "b3eab3bc4d1a21882405766e4238d7e21c873381",
  "block": 13997537,
  "trx_in_block": 16,
  "op_in_trx": 0,
  "virtual_op": 0,
  "timestamp": "2017-07-25T16:54:54",
  "op": [
    "custom_json",
    {
      "required_auths": [],
      "required_posting_auths": [
        "defy"
      ],
      "id": "follow",
      "json": "[\"follow\",{\"follower\":\"defy\",\"following\":\"imagicnation\",\"what\":[\"blog\"]}]"
    }
  ]
}

{
  "trx_id": "9eb14c2589951abcda88f1edf1fd1f246245cc0e",
  "block": 13984767,
  "trx_in_block": 15,
  "op_in_trx": 0,
  "virtual_op": 0,
  "timestamp": "2017-07-25T06:15:57",
  "op": [
    "account_create_with_delegation",
    {
      "fee": "0.500 STEEM",
      "delegation": "57000.000000 VESTS",
      "creator": "steem",
      "new_account_name": "defy",
      "owner": {
        "weight_threshold": 1,
        "account_auths": [],
        "key_auths": [
          [
            "STM6PnxLCdP7ehx8MXuEvNbXBfhD1qt8Xhgv3AtmmyGQQonHrqymq",
            1
          ]
        ]
      },
      "active": {
        "weight_threshold": 1,
        "account_auths": [],
        "key_auths": [
          [
            "STM7DZaQ366Tsqq7kLSzm58gbAWqx8C1M6rEaCUEqg2gi6ZctBCaY",
            1
          ]
        ]
      },
      "posting": {
        "weight_threshold": 1,
        "account_auths": [],
        "key_auths": [
          [
            "STM7BKSGmnqqnz7dexSeZ1bBrVYRYPtuZqtH5goMqiZY7YufXfsNb",
            1
          ]
        ]
      },
      "memo_key": "STM8NC1R2yfVkLwpv4CVXVpARan6bKUG52Ppu7mkUbZXPaLo6FQhV",
      "json_metadata": "",
      "extensions": []
    }
  ]
}