热门搜索:
您现在的位置是：首页 > 文章详情

Recognize.js 1.0.0-alpha 发布，Node.js 物体识别 AI 框架

日期：2020-04-01点击：460

Recognize.js

Node.js 物体识别神经网络框架

安装

首先下载并安装 GraphicsMagick。在 Mac OS X 中，你可以方便地使用 Homebrew 安装:

 brew install graphicsmagick

然后使用 npm 下载 Recognizejs：

 npm i recognizejs

开始

导入 Recognizejs 到你的项目中:

 const Recognizejs = require('recognizejs');

尝试 Recognizejs

  1. 创建一个新的 Recognizejs 对象模型，然后初始化它:
 const myModel = new Recognizejs(); // 初始化它 // init 函数会返回一个 Promise 对象 await myModel.init();

PS: 模型初始化可能需要 1-2分钟时间（取决于你的设备性能），所以请耐心等待。 😉

  1. 读取你的图片文件
 const fs = require('fs'); const myImgBuffer = fs.readFileSync(myImagePath);
  1. 调用模型的 recognize 函数，并将你的图片的 buffer 通过参数传递给它：
 // recognize 函数会返回一个 Promise 对象，我们推荐你使用 await 语句获取它的返回值 const results = await myModel.recognize(myImgBuffer); /*  [  {  className: ['className1', 'className2', 'className...'],  probability: 0.9  },  {  className: ['className1', 'className2', 'className...'],  probability: 0.599  }  ] */ console.log(results);

上述例子中的代码可以在 examples 文件夹中找到。

API

创建一个 Recognizejs 对象

 new Recognizejs(config?);

参数：config 是一个可选的参数，并有以下的属性：

 { cocoSsd?: { // base：控制基本cnn模型，可以是“ mobilenet_v1”，“ mobilenet_v2”或“ lite_mobilenet_v2”。 默认为“ lite_mobilenet_v2”。 lite_mobilenet_v2的大小最小，推理速度最快。 mobilenet_v2具有最高的分类精度。 base?: ObjectDetectionBaseModel, // 一个可选的字符串，用于指定模型的自定义网址。 这对于无法访问GCP上托管的模型的区域/国家非常有用。 modelUrl?: string }, mobileNet?: { // MobileNet版本号。 将1用于MobileNetV1，将2用于MobileNetV2。 默认为1。 version: 1, // 控制网络的宽度，交易性能的准确性。 较小的alpha会降低准确性并提高性能。 0.25仅适用于V1。 默认为1.0。 alpha?: 0.25 | .50 | .75 | 1.0, // 用于指定自定义模型url或tf.io.IOHandler对象的可选参数。 返回模型对象。 // 如果您在中国大陆，请将 modelUrl 改为 https://hub.tensorflow.google.cn 上的模型。 modelUrl?: string // 可选参数，用于指定由modelUrl托管的训练模型期望的像素值范围。 通常为[0，1]或[-1，1]。 inputRange?: [number, number] } }

cocoSsd 和 mobileNet 是两种不同的神经网络。cocoSsd 用来侦测一张图片中的多个物体，而 mobileNet 用来精确识别单个物体。

初始化训练模型

 model.init(modelType?);

init 函数会返回一个 Promise 对象，你可以使用 await 语句来处理它。

参数：modelType 可以是一个字符串或数组。您可以在此处设置要加载的模型，以避免加载不需要的模型。[如果不设置 modelType，它将同时加载 cocoSsd 和 mobileNet 模型]

例子：

 model.init(); // 或 model.init(['cocoSsd', 'mobileNet']); // 或 model.init('cocoSsd'); // 或 model.init('mobileNet');

如果你不使用 init 函数加载模型，当你需要使用它们的时候，他们会 自动 加载，但是加载模型可能需要很长的时间，所以请根据情况选择加载方法。

识别图片中的物体

 model.recognize(buf);

recognize 函数返回一个 Promise 对象，你可以使用 await 语句来获取它的返回值。

参数：buf 参数需要你传递图片文件的 Buffer 数据，你可以使用 fs 模块读取图片文件。

返回值：

 [ { className: [ 'giant panda', 'panda', 'panda bear', 'coon bear', 'Ailuropoda melanoleuca' ], probability: 0.9819085597991943 }, { className: [ 'Chihuahua' ], probability: 0.006128392647951841 }, { className: [ 'French bulldog' ], probability: 0.0026271280366927385 } ]

例子：

 const myImgBuf = require('fs').readFileSync(myImgPath); model.recognize(myImgBuf);

侦测图片中的全部物体

 model.detect(buf)

detect 函数返回一个 Promise 对象，你可以使用 await 语句来获取它的返回值。

参数：buf 参数需要你传递图片文件的 Buffer 数据，你可以使用 fs 模块读取图片文件。

返回值：

 [ { bbox: { x: 66.92952662706375, y: 158.30181241035461, width: 157.67111629247665, height: 165.00252485275269 }, class: 'bear', score: 0.9642460346221924 }, { bbox: { x: 180.56899309158325, y: -0.32786130905151367, width: 246.6680407524109, height: 308.3251893520355 }, class: 'bear', score: 0.9133073091506958 } ]

例子：

 const myImgBuf = require('fs').readFileSync(myImgPath); model.detect(myImgBuf);

侦测图片中的全部物体并识别它们

 model.detectAndRecognize(buf);

detectAndRecognize 函数返回一个 Promise 对象，你可以使用 await 语句来获取它的返回值。

参数：buf 参数需要你传递图片文件的 Buffer 数据，你可以使用 fs 模块读取图片文件。

返回值：

 [ recognizeObject, recognizeObject, recognizeObject ]

例子：

 const myImgBuf = require('fs').readFileSync(myImgPath); model.detectAndRecognize(myImgBuf);
原文链接：https://www.oschina.net/news/114553/recognize-js-1-alpha-released
关注公众号

低调大师中文资讯倾力打造互联网数据资讯、行业资源、电子商务、移动互联网、网络营销平台。

持续更新报道IT业界、互联网、市场资讯、驱动更新,是最及时权威的产业资讯及硬件资讯报道平台。

转载内容版权归作者及来源网站所有，本站原创内容转载请注明来源。

相关文章

    文章评论

    共有0条评论来说两句吧...

    文章二维码

    扫描即可查看该文章

    点击排行

    推荐阅读

    最新文章