wx tfjs demo

wx-tfjs-demo

El subprograma WeChat ejecuta la demostración de TensorFlow y el código se actualiza sincrónicamente con el subprograma "AI Pocket" de vez en cuando.

como correr

Requisitos del entorno operativo

Sistema recomendado: MacOS

NodoJS: v18.xx

Versión básica de la biblioteca WeChat: >= 2.29.0

Herramientas de desarrollo de WeChat: >= v1.06.2210310

Configuración del proyecto de herramientas de desarrollo de WeChat:

• Marque "ES6 a ES5"
• Marque "Compilación mejorada"
• Al realizar la prueba, marque "No verificar nombres de dominio legales..."

Uso

1. Clonar el código localmente
2. Modifique la configuración appid en project.config.json
3. npm i instala dependencias (a veces es posible que necesites usar npm i --force )
4. npm run build dependencias de compilación
5. Escanee el código de vista previa de las herramientas de desarrollador con su teléfono móvil

Historia

implementación temprana

Transforme tfjs-core para que TensorFlow.js pueda ejecutarse en programas pequeños. El subprograma llama a la cámara para obtener imágenes y muestra la imagen en canvas . Los datos "similares a ImageData" del canvas se pueden obtener a través de la API del subprograma, y ​​luego se llama a la API tfjs para implementar la predicción.

Si está interesado en la experiencia accidentada de la implementación, puede leer las publicaciones del blog tfjs trasplantados al subprograma WeChat y TensorFlowJS trasplantados e intentarlo de nuevo.

Implementación actual

Dado que tfjs ha implementado elegantemente el soporte para múltiples plataformas, específicamente extendiendo platform para lograr un "trasplante", y el subprograma WeChat también ha abierto API más ventajosas, la forma intrusiva de modificar tfjs ya no se utiliza. en tfjs para proporcionar carga de modelos, entrenamiento, predicción y otras funciones.

Aunque es mucho más conveniente que antes, los datos del cuadro obtenidos por onCameraFrame del subprograma no son consistentes con lo que se muestra, y los datos del cuadro sin procesar se procesan de manera diferente en diferentes dispositivos (incluso las cámaras frontal y trasera del mismo dispositivo). Es realmente desalentador obtener resultados de predicción precisos.

En la actualidad, descubrí un conjunto de métodos de recorte de datos de cuadros y los probé brevemente, y los resultados son buenos. Si hay algún modelo que no se puede solucionar, envíe Problemas y relaciones públicas. .

Ahora los métodos de recorte de datos de cuadros de los mini programas se han vuelto consistentes en diferentes plataformas.

Miniprograma de demostración

El miniprograma pasó a llamarse "AI Pocket". Todavía parece significativo, así que planeo hacer que este miniprograma sea serio. Adjunto se encuentra el código QR del miniprograma. ¡Todos pueden experimentarlo y brindar sugerencias para mejorarlo!

Cooperación e intercambio

cooperar

He acumulado experiencia en desarrollo front-end y back-end, Docker & Swarm, implementación continua y PNL de inteligencia artificial. Si tiene la oportunidad, no dude en consultar sobre la cooperación. Varios métodos de contacto.

Además, el código de este proyecto es de código abierto y los estudiantes interesados ​​pueden contribuir. Por supuesto, no existen restricciones para el uso comercial, pero respete el trabajo de los demás y no haga nada "descortés". Si este proyecto es útil para usted, no dude en darnos una propina.

comunicar

Puede seguir mi blog personal o mi cuenta pública personal de WeChat "Hunter Grocery Store". A menudo compartiré información sobre la tecnología y la vida.

¡Siga la cuenta oficial y deje un mensaje para obtener el código QR del "AI Pocket Communication Group" para facilitar la comunicación! ~