Recognize.js 1.0.0-alpha 发布，Node.js 物体识别 AI 框架

brew install graphicsmagick

npm i recognizejs

const Recognizejs = require('recognizejs');

const myModel = new Recognizejs();

// 初始化它
// init 函数会返回一个 Promise 对象
await myModel.init();

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);

new Recognizejs(config?);

{
    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]
    }
}

model.init(modelType?);

model.init();

// 或

model.init(['cocoSsd', 'mobileNet']);

// 或

model.init('cocoSsd');

// 或

model.init('mobileNet');

model.recognize(buf);

[
    {
        className: [
            'giant panda',
            'panda',
            'panda bear',
            'coon bear',
            'Ailuropoda melanoleuca'
        ],
        probability: 0.9819085597991943
    },
    {
        className: [ 'Chihuahua' ],
        probability: 0.006128392647951841
    },
    {
        className: [ 'French bulldog' ],
        probability: 0.0026271280366927385
    }
]

const myImgBuf = require('fs').readFileSync(myImgPath);

model.recognize(myImgBuf);

model.detect(buf)

[
    {
        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
    }
]

const myImgBuf = require('fs').readFileSync(myImgPath);

model.detect(myImgBuf);

model.detectAndRecognize(buf);

[
    recognizeObject,
    recognizeObject,
    recognizeObject
]

const myImgBuf = require('fs').readFileSync(myImgPath);

model.detectAndRecognize(myImgBuf);