浏览器端的机器学习 ml5js (1)

009.jpg

ml 表示 machine learning 也就是机器学习,其实对机器学习理解有关多,内在就是对数据进行分析,从中找到其 pattern (也就是规律),通过规律进行预测。

if(mouseX > 200){
    RIGHT SIDE
}else{
   LEFT SIDE 
}

这是一个简单例子,机器学习通过数据来找到也就输出 mouseX > 200 规律。

http://www.image-net.org/

<body>
    <script src="node_modules/p5/lib/p5.js"></script>
    <script src="node_modules/p5/lib/addons/p5.dom.js"></script>
    <script src="https://unpkg.com/ml5@0.3.1/dist/ml5.min.js"></script>
    <script src="app.js"></script>
</body>

首先需要安装 p5js 依赖,然后 p5 绘制一个 canvas 作为我们演示的画布

function setup(){
    createCanvas(640,480);
    background(0)
}

定义一个变量来图片分类

let mobilenet;

定义图片分类器模型,并且给他一个名称

mobilenet = ml5.imageClassifier('MobileNet')
let mobilenet
console.log('hello')
function modelReady() {
    console.log('Model Ready');
    
}

function setup(){
    createCanvas(640,480);
    background(0)
    mobilenet = ml5.imageClassifier('MobileNet', modelReady);
}
let bear;

function modelReady() {
    console.log('Model Ready');
    
}

function imageReady(){
    image(bear,0,0,width,height);
}

function setup(){
    createCanvas(640,480);
    background(0)
    bear = createImg('images/bear.jpg',imageReady)
    bear.hide()

    mobilenet = ml5.imageClassifier('MobileNet', modelReady);
}

上面代码是开始下载图片,初始化模型图片是从 google 进行搜索的来训练模型,需要一定时间才能完成需要耐性等待一下。

首先我们利用 p5 的 api 将图片绘制到 canvas 中显示出了,有关 p5 如何将图片绘制到 canvas 不是今天重点,大家如果感兴趣可以自己看一下。

function modelReady() {
    console.log('Model Ready');
    mobilenet.predict(bear,getResults)
    
}

function getResults(err,results){
    console.log(results)
}

function imageReady(){
    image(bear,0,0,width,height);
}
008.JPG

现在准备 Bear 图片让图片识别器进行识别一张图片让他识别,识别结果会进行输出,然后我们将第一个结果也就是概率最高的结果利用 canvas 输出在图片上。

 mobilenet.predict(bear,getResults)

通过模型读取图片信息进行预判然后返回其预测的结果,这里是一个回调形式返回结果,返回参数格式类似 nodejs 的格式 第一个参数为 error 第二个参数为数据。


006.JPG
function modelReady() {
    console.log('Model Ready');
    mobilenet.predict(bear,getResults)
    
}

function getResults(err,results){
    console.log(results)
    let label = results[0].className;
    fill(0)
    textSize(64)
    text(label,10,height - 100)
}

这里我们用 p5js 对图片进行打标签,输出测试结果,准确率还不错,可以做过一个应用放在手机帮助小朋友自己识别他想看到的,并且学一下英文。

007.JPG
最后编辑于
©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 151,829评论 1 331
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 64,603评论 1 273
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 101,846评论 0 226
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 42,600评论 0 191
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 50,780评论 3 272
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 39,695评论 1 192
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 31,136评论 2 293
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 29,862评论 0 182
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 33,453评论 0 229
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 29,942评论 2 233
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 31,347评论 1 242
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 27,790评论 2 236
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 32,293评论 3 221
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 25,839评论 0 8
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 26,448评论 0 181
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 34,564评论 2 249
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 34,623评论 2 249

推荐阅读更多精彩内容