前言
Recognize.js 是一個 Node.js 物體識別神經網絡框架。
安裝
首先下載並安裝 GraphicsMagick。在 Mac OS X 中，你可以方便地使用 Homebrew 安裝:
<code>brew install graphicsmagick/<code>
然後使用 npm 下載 Recognizejs：
<code>npm i recognizejs/<code>
開始
導入 Recognizejs 到你的項目中:
<code>const Recognizejs = require('recognizejs');/<code>嘗試 Recognizejs
- 創建一個新的 Recognizejs 對象模型，然後初始化它:
<code>const myModel = new Recognizejs();
// 初始化它
// init 函數會返回一個 Promise 對象
await myModel.init();/<code>
PS: 模型初始化可能需要 1-2分鐘時間（取決於你的設備性能），所以請耐心等待。
- 讀取你的圖片文件
<code>const fs = require('fs');
const myImgBuffer = fs.readFileSync(myImagePath);/<code>- 調用模型的 recognize 函數，並將你的圖片的 buffer 通過參數傳遞給它：
<code>// recognize 函數會返回一個 Promise 對象，我們推薦你使用 await 語句獲取它的返回值
const results = await myModel.recognize(myImgBuffer);
/*
[
{
className: ['className1', 'className2', 'className...'],
probability: 0.9
},
{
className: ['className1', 'className2', 'className...'],
probability: 0.599
}
]
*/
console.log(results);/<code>
上述例子中的代碼可以在 examples 文件夾中找到。
API
創建一個 Recognizejs 對象
<code>new Recognizejs(config?);/<code>
參數：config 是一個可選的參數，並有以下的屬性：
<code>{
cocoSsd?: {
// base：控制基本cnn模型，可以是“ mobilenet_v1”，“ mobilenet_v2”或“ lite_mobilenet_v2”。 默認為“ lite_mobilenet_v2”。 lite_mobilenet_v2的大小最小，推理速度最快。 mobilenet_v2具有最高的分類精度。
base?: ObjectDetectionBaseModel,
// 一個可選的字符串，用於指定模型的自定義網址。 這對於無法訪問GCP上託管的模型的區域/國家非常有用。
modelUrl?: string
},
mobileNet?: {
// MobileNet版本號。 將1用於MobileNetV1，將2用於MobileNetV2。 默認為1。
version: 1,
// 控制網絡的寬度，交易性能的準確性。 較小的alpha會降低準確性並提高性能。 0.25僅適用於V1。 默認為1.0。
alpha?: 0.25 | .50 | .75 | 1.0,
// 用於指定自定義模型url或tf.io.IOHandler對象的可選參數。 返回模型對象。
// 如果您在中國大陸，請將 modelUrl 改為 https://hub.tensorflow.google.cn 上的模型。
modelUrl?: string
// 可選參數，用於指定由modelUrl託管的訓練模型期望的像素值範圍。 通常為[0，1]或[-1，1]。
inputRange?: [number, number]
}
}/<code>cocoSsd 和 mobileNet 是兩種不同的神經網絡。cocoSsd 用來偵測一張圖片中的多個物體，而 mobileNet 用來精確識別單個物體。
初始化訓練模型
<code>model.init(modelType?);/<code>
init 函數會返回一個 Promise 對象，你可以使用 await 語句來處理它。
參數：modelType 可以是一個字符串或數組。您可以在此處設置要加載的模型，以避免加載不需要的模型。[如果不設置 modelType，它將同時加載 cocoSsd 和 mobileNet 模型]
例子：
<code>model.init();
// 或
model.init(['cocoSsd', 'mobileNet']);
// 或
model.init('cocoSsd');
// 或
model.init('mobileNet');/<code>
如果你不使用 init 函數加載模型，當你需要使用它們的時候，他們會 自動 加載，但是加載模型可能需要很長的時間，所以請根據情況選擇加載方法。
識別圖片中的物體
<code>model.recognize(buf);/<code>
recognize 函數返回一個 Promise 對象，你可以使用 await 語句來獲取它的返回值。
參數：buf 參數需要你傳遞圖片文件的 Buffer 數據，你可以使用 fs 模塊讀取圖片文件。
返回值：
<code>[
{
className: [
'giant panda',
'panda',
'panda bear',
'coon bear',
'Ailuropoda melanoleuca'
],
probability: 0.9819085597991943
},
{
className: [ 'Chihuahua' ],
probability: 0.006128392647951841
},
{
className: [ 'French bulldog' ],
probability: 0.0026271280366927385
}
]/<code>
例子：
<code>const myImgBuf = require('fs').readFileSync(myImgPath);
model.recognize(myImgBuf);/<code> 偵測圖片中的全部物體
<code>model.detect(buf)/<code>
detect 函數返回一個 Promise 對象，你可以使用 await 語句來獲取它的返回值。
參數：buf 參數需要你傳遞圖片文件的 Buffer 數據，你可以使用 fs 模塊讀取圖片文件。
返回值：
<code>[
{
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
}
]/<code>
例子：
<code>const myImgBuf = require('fs').readFileSync(myImgPath);
model.detect(myImgBuf);/<code>偵測圖片中的全部物體並識別它們
<code>model.detectAndRecognize(buf);/<code>
detectAndRecognize 函數返回一個 Promise 對象，你可以使用 await 語句來獲取它的返回值。
參數：buf 參數需要你傳遞圖片文件的 Buffer 數據，你可以使用 fs 模塊讀取圖片文件。
返回值：
<code>[
recognizeObject,
recognizeObject,
recognizeObject
]/<code>
例子：
<code>const myImgBuf = require('fs').readFileSync(myImgPath);
model.detectAndRecognize(myImgBuf);/<code>
閱讀更多 IT實戰聯盟 的文章
