在线时间:8:00-16:00
迪恩网络APP
随时随地掌握行业动态
扫描二维码
关注迪恩网络微信公众号
开源软件名称:Recognize.js开源软件地址:https://gitee.com/bd999/recognizejs开源软件介绍: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 npm i recognizejs 开始导入 const Recognizejs = require('recognizejs'); 尝试 Recognizejs
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 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] }}
初始化训练模型model.init(modelType?);
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 识别图片中的物体model.recognize(buf);
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)
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);
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); 许可证Copyright ©️ 2020, Yingxuan (Bill) Dong |
请发表评论