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
- 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。
- 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);- 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: [\'classN1 5 J 6 j q b }ame1\', \'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。
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[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。[如果不设置 m@ & ? i X 2 s g ~odelType，它u n ~ a f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(\'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: [
\'giant panda\',
\'panda\',
\'panda bear\',
\'coon bear@ @ ^ /\',
\'Ailuropoda melanoW D l j jleuca\'
],
probability: 0.9819T t @ n 5085597991943
},
{
className: [ \'Chihua4 / M s s l n Yhua\' ],
probability: 0.00612N U {8392647951841
},
{
className: [ \'French bulldog\' ],
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：
[
{
bbox: {
x: 66.92952662706375,
y: 158.30181241035461,
width: 157.67111629247665,
heiu w U w y ~ Lght: 165.00252485275269
},
class: \'bear\',
score: 0.9642460346221924
},
{
bbox: {
x: 180.56899309158325,
y: -0.32786130905151367,
width: 246.668X ; ^ s ` M l v0407524109,
height: 3t ] 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：
[
recognizeObject,
reH j U D LcognizeObject,
recognizeObjecv / 0 _ A | T D }t
]例子：
const myImgBuf = require(\'fs\').readFileSync(myImgPath);
model.detectAndRecognize(myImgBufj 1 : n x 7 6 k);