前言

Recognize.js 是一个 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:

consJ P R * g ) pt Recognizejs = require(\'rg Q G -ecognizejs\m g u R');

尝试 Recogn` 2 | ,izejs

1. 创建一个新的 Recognizejs 对象模型，然后初始化` K | i /它:

const myModel = new Recognizejs! S + L )();

// 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| H # F k能），所以请耐心等待。

1. 读取你的图片文件

const fs = require(\'/ = L S 7 x 4 bfs\');

co7 S R A NnsD M V Kt myImgBuffer = fs.readFileSync(myImagePath);

1. 调用模型的 recognize 函数，并将你的图片的 buffer 通过参数传递给它：

// rE { a e l necognize 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 = awaitf F B } { , myModel.recognize(myI] J M C HmgBuffer);

/*
    [
        {
            className: ,
            probability: 0.9
        },
        {
            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：D 7 w = G y

{
    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”。 litP t X l * S ` ne_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?: ObjectDetect) f h I F ]ionBaseModel,

        // 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?: stu E N K o s 5 B =ring
    },
    mobileNet?: {
        // MobileNet版本号。 将1用于Mo: W q I + KbileNetV1，将2用于MobileNe; X (tV2。 默认为1。
        vl g ~ e o m rersion: 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V S F b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。 通常为或。
        inputRange?: 
    }
}

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y a ` 8 9 3 F O mobileNet 用. a q N A来精确识别单个物g M d = 9 Y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：modeD j m }lType 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。

例子：

model.init();

// 或

model.init();

// 或

model.init(\'cocoSsd\');

// 或

model.init(\'mo( , F . Jbil` 8 $ J U r PeNet\');

如果你不使用 init6 D 3 j 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 Promi| ( } x o rse 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: ,
        probability: 0.9819T t @ n 5085597991943
    },
    {
        className: ,
        probability: 0.00612N U {8392647951841
    },
    {
        className: ,
        probability: 0.0026271280366927385
    }
]

例子：

const myImgBuf = requir- ] de(\'fsp ; V a / a D J a\').readFileSync(myImgPath);

model.recognize(mM i z 2 d ~ x i {yImgBuf);

侦测图片中的全部物体

model.detect(buf)

detect 函数返回一个 Prom` 3 : 2 9ise 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：

 5 9 # U 6 f08.3251893520355
        },
        class: \'bear\',
        score: 0.9133073091506958
    }
]

例子：

const myImgBuf = r* L D 6 $ 9 l /equire(\M { 7 $ W ; W'fs\').readFileSync(myImgPat4 ` M { f 1 k , Sh);

model.detect(myImgB! 8 G 2 j N Ruf);

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_ 2 @ d Z 2 l G |来获取q X w k ~ s . i d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：

例子：

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

model.detectAndRecognize(myImgBufj 1 : n x 7 6 k);