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
导入 Recognizejs
到你的项目中:
const Recognizejs = require('recognizejs');
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。
const fs = require('fs');
const myImgBuffer = fs.readFileSync(myImagePath);
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。
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。
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。
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);
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);
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);
Copyright ©️ 2020, Yingxuan (Bill) Dong
此处可能存在不合适展示的内容,页面不予展示。您可通过相关编辑功能自查并修改。
如您确认内容无涉及 不当用语 / 纯广告导流 / 暴力 / 低俗色情 / 侵权 / 盗版 / 虚假 / 无价值内容或违法国家有关法律法规的内容,可点击提交进行申诉,我们将尽快为您处理。
1. 开源生态
2. 协作、人、软件
3. 评估模型