Recognize.js 1.0.0-alpha 发布，Node.js 物体识别 AI 框架
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 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。 读取你的图片文件 const fs = require('fs'); const myImgBuffer = fs.readFileSync(myImagePath); 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);
