wx tfjs demo

wx-tfjs-démo

L'applet WeChat exécute la démo de TensorFlow et le code est mis à jour de temps en temps de manière synchrone avec l'applet « AI Pocket ».

Comment courir

Exigences relatives à l'environnement d'exploitation

Système recommandé : MacOS

NodeJS : v18.xx

Version de la bibliothèque de base WeChat : >= 2.29.0

Outils de développement WeChat : >= v1.06.2210310

Configuration du projet des outils de développement WeChat :

• Cochez "ES6 à ES5"
• Cochez "Compilation améliorée"
• Lors du test, veuillez cocher "Ne pas vérifier les noms de domaine légaux..."

Usage

1. Cloner le code localement
2. Modifier la configuration appid dans project.config.json
3. npm i installe les dépendances (vous devrez parfois utiliser npm i --force )
4. npm run build compile les dépendances
5. Scannez le code d'aperçu des outils de développement avec votre téléphone mobile

Histoire

mise en œuvre précoce

Transformez tfjs-core pour que TensorFlow.js puisse s'exécuter dans de petits programmes. L'applet appelle la caméra pour l'imagerie et affiche l'image sur canvas . Les données « de type ImageData » canvas peuvent être obtenues via l'API de l'applet, puis l'API tfjs est appelée pour implémenter la prédiction.

Si vous êtes intéressé par l'expérience cahoteuse de la mise en œuvre, vous pouvez lire les articles de blog sur la transplantation de tfjs vers l'applet WeChat et réessayer la transplantation de TensorFlowJS.

Mise en œuvre actuelle

Étant donné que tfjs a élégamment implémenté la prise en charge de plusieurs plates-formes, notamment en étendant platform pour réaliser une « transplantation », et que l'applet WeChat a également ouvert des API plus avantageuses, la manière intrusive de modifier tfjs n'est plus utilisée. dans tfjs pour fournir le chargement de modèles, la formation, la prédiction et d'autres fonctions.

Bien que cela soit beaucoup plus pratique qu'avant, les données d'image obtenues par onCameraFrame de l'applet ne correspondent pas à ce qui est affiché, et les données d'image d'origine sont traitées différemment sur différents appareils (même les caméras avant et arrière du même appareil). est vraiment intimidant d'obtenir des résultats de prédiction précis.

À l'heure actuelle, j'ai découvert un ensemble de méthodes de recadrage de données de trame et je les ai brièvement testées, et les résultats sont bons. S'il y a des modèles qui ne peuvent pas être pris en charge, veuillez soumettre les problèmes et les relations publiques. .

Désormais, les méthodes de recadrage des données de trame des mini-programmes sont devenues cohérentes sur différentes plates-formes.

Démo du mini programme

Le mini-programme a été renommé "AI Pocket". Cela semble toujours significatif, j'ai donc l'intention de rendre ce mini-programme sérieux. Vous trouverez ci-joint le code QR du mini-programme. Tout le monde est invité à en faire l'expérience et à proposer des suggestions d'amélioration !

Coopération et échange

coopérer

J'ai accumulé de l'expérience dans le développement front-end et back-end, Docker & Swarm, le déploiement continu et le PNL d'intelligence artificielle. Je peux rapidement fournir un ensemble complet de solutions. Si vous en avez l'opportunité, n'hésitez pas à vous renseigner sur la coopération via. diverses méthodes de contact.

De plus, le code de ce projet est open source et les étudiants intéressés sont invités à contribuer. Bien sûr, il n'y a aucune restriction sur l'utilisation commerciale, mais veuillez respecter le travail des autres et ne faites pas quelque chose de « méchant ». Si ce projet vous est utile, n'hésitez pas à laisser un pourboire.

communiquer

Vous pouvez suivre mon blog personnel ou mon compte public WeChat personnel "Hunter Grocery Store". Il y aura souvent du partage de technologie et des informations sur la vie. Bienvenue pour communiquer !

Suivez le compte officiel et laissez un message pour obtenir le QR code du « AI Pocket Communication Group » pour faciliter la communication ! ~