Как использовать нейронную сеть VGG16 и MobileNet с TensorFlow.js

kak ispolzovat nejronnuyu set vgg16 i mobilenet s tensorflowjs?v=1656562094

за ADL

0*UM0vZhOyk06pdmVT
Фото Артема Сапегина на Unsplash

В этой статье мы построим глубокую нейронную сеть, которая сможет распознавать изображения с высокой точностью на стороне клиента с помощью JavaScript и TensorFlow.js. Я объясню методы, которые используются на протяжении всего процесса. Мы будем использовать VGG16 и MobileNet для демонстрации.

Если вам нужно быстро обновить TensorFlow.js, прочтите эту статью.

Ниже приведен снимок экрана, как будет выглядеть окончательное веб-приложение:

1*v7x4TywHpUsEO8yQ4eu8xA
Окончательная веб-программа

Для начала мы создадим папку (VGG16_Keras_To_TensorflowJS) с двумя подпапками: локальный сервер и статический. The локальный сервер папка должна содержать весь сервер NodeJS код, и статический папка будет иметь весь код CSS, HTML и JavaScript.

1*_TUuwX9jKmLx8O6NmHD7bA
Снимок экрана, показывающий структуру папки

Примечание: Вы можете называть папки и файлы любыми удобствами.

Конфигурация сервера

Мы вручную создадим a package.json файл со следующим кодом:

{
"name": "tensorflowjs",
"version": "1.0.0",
"dependencies": {
"express": "latest"
}}

The package.json файл отслеживает все инородные пакеты, которые мы будем использовать в этом проекте. После сохранения package.json файла, мы откроем командную строку и в нем перейдем к файлу локальный сервер папку. Тогда мы выполним следующее:

npm install
1*Mf-8wFjGxWba4k9wN_ArUw
Командная строка для MacOS

После этого NPM выполнит и убедится, что все необходимые пакеты, упомянутые в package.json установлены и готовы к использованию. Вы будете наблюдать а узлы_модули папку в локальный сервер папку.

1*yhJuZPtxeGCp1xgZTtA89Q

Мы создадим а server.js файл со следующим кодом:

server.js содержит код NodeJS, который позволяет размещать локальный сервер, запускающий нашу WebApp.

Конфигурация клиента

Далее мы создадим a predict_with_tfjs.html. Ниже представлен код:

Когда HTML-код будет готов, мы создадим файл JavaScript и вызовем его predict.js. Ниже представлен код:

Конфигурация модели

После того, как код на стороне клиента и сервера будет завершен, теперь нам нужна модель DL/ML для прогнозирования изображений. Мы экспортируем обученную модель (VGG16 и Mobile net) из Keras в TensorFlow.js. Сохраните результат в папках под названием VGG и Mobile net, соответственно внутри статической папки.

1*VUIUWALn0J5V9vRZc8yerA
Скриншот для Python

Определение классов

Будем держать imagenet_classes.js внутри статический папку. Этот файл содержит список всех классов ImageNet. Вы можете скачать этот файл отсюда.

Тестирование кода

После того, как вся настройка будет выполнена, мы откроем командную строку и перейдем к локальный сервер папку и выполните:

node server.js

Мы должны увидеть следующий выход:

1*K7jbNlFYiRdnITT06kBFrg

После успешной реализации кода на стороне сервера, мы можем перейти в браузер и открыть http://localhost:8080/predict_with_tfjs.html.
Если код на стороне клиента не содержит ошибок, программа запустится. Затем вы можете выбрать другую модель (VGG16 и мобильную сеть) из поля выбора и выполнить прогноз.

Репозиторий GitHub для проекта:

ADLsourceCode/TensorflowJS
GitHub – это место, где люди создают программное обеспечение. Более 28 миллионов человек используют GitHub, чтобы выявлять, расширять и вносить вклад в более…github.com

Полное объяснение и использование кода можно просмотреть в видео ниже:

Мой следующий пост будет охватывать Анализ финансовых временных рядов с помощью Tensorflow.js… Отслеживайте обновления.

Удачи ! ?

Если вам понравилась моя статья, пожалуйста, нажмите кнопку ? ниже Аи следи за мной на Мedium & :

1*z8B3R6kZjTkMKPv3MnUYxg
1*-etmF1WRWkvWO6cSol7f1w
1*7DWddirTA0TDNoAL34xjag

Если у вас возникли вопросы, пожалуйста, сообщите мне в комментарии ниже или Twitter. Подпишитесь на мой канал YouTube, чтобы получить больше технических видео: ADL .

Добавить комментарий

Ваш адрес email не будет опубликован.