内容简介：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 ...
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);
以上所述就是小编给大家介绍的《Recognize.js 1.0.0-alpha 发布，Node.js 物体识别 AI 框架》，希望对大家有所帮助，如果大家有任何疑问请给我留言，小编会及时回复大家的。在此也非常感谢大家对 码农网 的支持！
猜你喜欢:
- CVPR 2020丨基于点云的3D物体检测新框架
- 大讲堂 | 物体检测算法的近期发展及开源框架介绍
- SimpleDet: 一套简单通用的目标检测与物体识别框架
- 香港中文大学陈恺：物体检测算法的近期发展及开源框架介绍 | 大讲堂第 102 期
- 旷视发布通用物体检测数据集 Objects365，开启 CVPR 物体检测挑战赛
- c++ 投掷活动物体
本站部分资源来源于网络，本站转载出于传递更多信息之目的，版权归原作者或者来源机构所有，如转载稿涉及版权问题，请联系我们。
