wx tfjs demo

wx-tfjs-demo

Applet WeChat menjalankan Demo TensorFlow, dan kodenya diperbarui secara serempak dengan applet "AI Pocket" dari waktu ke waktu.

Bagaimana cara menjalankannya

Persyaratan lingkungan operasi

Sistem yang direkomendasikan: MacOS

NodeJS: v18.xx

Versi perpustakaan dasar WeChat: >= 2.29.0

Alat pengembang WeChat: >= v1.06.2210310

Konfigurasi proyek alat pengembang WeChat:

• Centang "ES6 hingga ES5"
• Centang "Kompilasi yang Ditingkatkan"
• Saat menguji, harap centang "Jangan verifikasi nama domain resmi..."

Penggunaan

1. Kloning kode secara lokal
2. Ubah konfigurasi appid di project.config.json
3. npm i menginstal dependensi (terkadang Anda mungkin perlu menggunakan npm i --force )
4. npm run build
5. Pindai kode pratinjau alat pengembang dengan ponsel Anda

Cerita

implementasi awal

Transformasikan tfjs-core agar TensorFlow.js dapat berjalan di program kecil. Applet memanggil kamera untuk pencitraan dan menampilkan gambar di canvas . Data canvas "seperti ImageData" dapat diperoleh melalui API applet, dan kemudian API tfjs dipanggil untuk mengimplementasikan prediksi.

Jika Anda tertarik dengan pengalaman implementasi yang sulit, Anda dapat membaca postingan blog tfjs yang ditransplantasikan ke applet WeChat dan TensorFlowJS yang ditransplantasikan, lalu coba lagi.

Implementasi saat ini

Karena tfjs telah secara elegan mengimplementasikan dukungan untuk berbagai platform, khususnya dengan memperluas platform untuk mencapai "transplantasi", dan applet WeChat juga telah membuka API yang lebih menguntungkan, cara memodifikasi tfjs yang mengganggu tidak lagi digunakan. di tfjs untuk menyediakan pemuatan model, pelatihan, prediksi, dan fungsi lainnya.

Meskipun jauh lebih nyaman dari sebelumnya, data bingkai yang diperoleh onCameraFrame applet tidak konsisten dengan apa yang ditampilkan, dan data bingkai mentah diproses secara berbeda pada perangkat yang berbeda (bahkan kamera depan dan belakang dari perangkat yang sama). sungguh menakutkan untuk mendapatkan hasil prediksi yang akurat.

Saat ini, saya telah menemukan serangkaian metode pemotongan data bingkai dan mengujinya secara singkat, dan hasilnya bagus. Jika ada model yang tidak bisa diurus, silahkan ajukan Issue & PR .

Sekarang metode pemotongan data bingkai dari program mini telah menjadi konsisten di berbagai platform.

Demo program mini

Mini programnya sudah berganti nama menjadi "AI Pocket". Masih terasa bermakna, jadi saya berencana membuat mini program ini menjadi serius. Terlampir adalah kode QR dari program mini. Setiap orang dipersilakan untuk merasakannya & memberikan saran untuk perbaikan!

Kerjasama dan pertukaran

bekerja sama

Saya telah mengumpulkan pengalaman dalam pengembangan front-end dan back-end, Docker & Swarm, penerapan berkelanjutan, dan NLP kecerdasan buatan. Saya dapat dengan cepat memberikan serangkaian solusi lengkap. Jika Anda memiliki kesempatan, silakan bertanya tentang kerja sama melalui berbagai metode kontak.

Selain itu, kode proyek ini bersifat open source, dan mahasiswa yang tertarik dipersilakan untuk berkontribusi. Tentu saja, tidak ada batasan dalam penggunaan komersial, tapi harap hargai karya orang lain dan jangan melakukan sesuatu yang "tidak baik". Jika proyek ini bermanfaat bagi Anda, silakan memberi tip.

berkomunikasi

Anda dapat mengikuti blog pribadi saya atau akun publik WeChat pribadi saya "Hunter Grocery Store". Akan sering ada beberapa berbagi teknologi & wawasan kehidupan.

Ikuti akun resminya dan tinggalkan pesan untuk mendapatkan kode QR "AI Pocket Communication Group" untuk memudahkan komunikasi! ~