Подробности и информацию смотрите в видео на YouTube.
URL видео:https://youtu.be/wQ7q62tXkxo
Обзор
В этом уроке мы на самом деле собираемся сделать пример кода, который выполняет классификацию изображений.
Библиотека ml5.js построена поверх TensorFlow.js и позволяет вам получать доступ к алгоритмам и моделям машинного обучения в вашем браузере без каких-либо других внешних зависимостей.
Мы просто собираемся использовать предварительно обученную модель. Модель машинного обучения, которая умеет распознавать содержимое изображений и ML5, предоставляет нам доступ к нему в JavaScript для использования с библиотекой p5. Мы можем узнать достоверность изображения с помощью MobileNet.
Давайте посмотрим код в веб-редакторе p5.js.
let classifier; // Initialize the Image Classifier method with MobileNet and a callback needs to be passed. let img; // A variable to hold the image we want to classify. // The function below will determine the specified source by comparing it with the model called MobileNet that has been prepared in advance. function preload() { classifier = ml5.imageClassifier('MobileNet'); img = loadImage('https://raw.githubusercontent.com/setapolo/fbxes/main/kit.png'); } // The function below will determine and setup the image sizes, get the results as image. function setup() { createCanvas(400, 400); classifier.classify(img, gotResult); image(img, 0, 0); } // A function to run when we get any errors in console and the results. function gotResult(error, results) { if (error) { console.error(error); } // The results are in an array ordered by confidence. console.log(results); createDiv('Label: ' + results[0].label); createDiv('Confidence: ' + nf(results[0].confidence, 0, 2)); }
После запуска кода мы получим изображение с его меткой как полосатый, полосатый кот и достоверностью или точностью 0,63.
Это все для этого урока.