在GitHub查看 TensorFlow.js 的项目时,...
继上次的官方实例之后,又在GitHub发现了新的实现方式.
GitHub地址: https://github.com/zqingr/tfjs-yolov3
运行原理
使用 TensorFlow.js 导入转换后的 YOLO-V3 模型,
对视频或者图片进行检测,拿到对应的坐标之后显示.
在这里我是使用div绝对定位显示对于的框框.
(有一个巨大的BUG,一段时间后会占满GPU,然后黑屏)
大概流程:
使用video标签载入MP4文件
使用TensorFlow.js 载入 YOLO-V3 模型
调用模型检测方法,获取坐标并显示到页面
使用setTimeout进行延迟后进行下一次检测
(也可以requestAnimationFrame,不过有时会卡住)
运行效果
截图:
GIF:
运行方式
推荐放到web软件容器当中
例如: Nginx
我自己是使用 http-server 启动的web服务
然后访问相对应的地址就好了.
关于http-server
http-server需要先安装 Node.js 和 npm
然后运行npm安装命令:
npm install http-server -g
安装完之后,去指定文件夹运行命令,就可以启动一个静态文件服务器
例如
http-server . -p 2333
其中的 . 代表当前目录
-p 指定端口,后面的 2333 表示使用 2333 端口
代码
相关文件我放到网盘和QQ群
群号: 492781269
城通网盘: https://306t.com/file/29360148-466426046
下面直接公示代码.
<!DOCTYPE html>
<html lang="en">
<head>
<meta charset="UTF-8">
<meta content="width=device-width, initial-scale=1.0">
<title>TensorFlow.js Demo</title>
<style>
#big-box {
position: relative;
}
#img-box {
position: absolute;
top: 0px;
left: 0px;
}
#img-box .rect {
position: absolute;
border: 2px solid #f00;
pointer-events: none;
}
#img-box .rect .className {
position: absolute;
top: 0;
/* background: #f00; */
color: #fff;
}
#myPlayer {
max-width: 600px;
width: 100%;
}
</style>
</head>
<body>
<script src="http://www.likecs.com/tfjs-m.min.js"></script>
<script src="http://www.likecs.com/config.js"></script>
<script src="http://www.likecs.com/yolo-tfjs-m.js"></script>
<div>等待模型载入...</div>
<br>
<div>
<video muted="true" autoplay src="http://www.likecs.com/demo01.mp4" controls="" playsinline="" webkit-playsinline="">
</video>
<!-- 用于展示识别框 -->
<div>
</div>
</div>
<script>
var myModel = null;
var V = null;
var requestAnimationFrameIndex = null;
var myPlayer = document.getElementById("myPlayer");
var videoHeight = 0;
var videoWidth = 0;
var clientHeight = 0;
var clientWidth = 0;
var modelLoad = false;
var videoLoad = false;
var anchors = ANCHORS_TINY;
var modelUrl = \'yolov3-tiny/model.json\';
var modelPromise = tf.loadLayersModel(modelUrl);
window.onload = function () {
// 当视频准备好了就准备开始识别吧
myPlayer.addEventListener("canplay", function () {
videoHeight = myPlayer.videoHeight;
videoWidth = myPlayer.videoWidth;
clientHeight = myPlayer.clientHeight;
clientWidth = myPlayer.clientWidth;
V = this;
videoLoad = true;
})
loadModel();
}
// 载入模型文件
function loadModel() {
if (modelLoad) {
return;
}
// Load the model.
modelPromise.then(model => {
var showBox = document.getElementById("showBox");
showBox.innerHTML = "载入成功";
myModel = model;
detectImage();
modelLoad = true;
});
}
// 识别图片,并在页面展示
function detectImage() {
var showBox = document.getElementById("showBox");
showBox.innerHTML = "识别中...";
if (videoLoad) {
// 准备用于识别的样本
var sample = tf.stack([
tf.div(tf.cast(tf.browser.fromPixels(V), \'float32\'), 255)
])
// 获取到识别的结果
let output = (myModel.predict(sample));
//
output = output.map(feats =>
feats.reshape(feats.shape.slice(1))
)
var boxes = yoloEval(
output,
tf.tensor1d(anchors).reshape([-1, 2]),
COCO_CLASSESS.length,
[videoHeight, videoWidth]
)
boxes.then(myBoxes => {
showBox.innerHTML = "识别完毕";
var $imgbox = document.getElementById(\'img-box\');
$imgbox.innerHTML = "";
myBoxes.forEach(box => {
var $div = document.createElement(\'div\');
$div.className = \'rect\';
var heightScale = (clientHeight / videoHeight);
var widthScale = (clientWidth / videoWidth);
var transformTop = box.top * heightScale;
var transformLeft = box.left * widthScale;
var transformWidth = box.width * widthScale;
var transformHeight = box.height * heightScale;
$div.style.top = transformTop + \'px\';
$div.style.left = transformLeft + \'px\';
$div.style.width = transformWidth + \'px\';
$div.style.height = transformHeight + \'px\';
$div.innerHTML = `<span class=\'className\'>${box.classes} ${box.scores}</span>`;
$imgbox.appendChild($div);
})
setTimeout(function () {
detectImage();
}, 10);
})
}
}
</script>
</body>
</html>
PS:
如有错误,还请多多指出来~
– Nick
– 2020/10/12
