我想在服务器端使用Node.js结合TensorFlow.js插件，并使用cocossd和mobilenet模型。我已经在客户端编写了一个工作脚本，当用户提交表单时，我会运行tfjs:
const img = new Image(100, 100);img.src = //base64 encoded image// 加载模型mobilenet.load().then(async model => { const post_predictions = []; model.classify(img).then(classify_predictions => { classify_predictions.forEach(function(element){ const each_class = element["className"].split(", ") each_class.forEach(function(this_element){ post_predictions.push([this_element, (element.probability*100)]); }) }) cocoSsd.load().then(model => { // 在图像中检测对象 model.detect(img).then(predictions => { predictions.forEach(function(this_element){ post_predictions.unshift([this_element.class, (this_element.score*100)]); }); post_predictions.sort(function(a, b) { return b[1]-a[1]; }); console.log(post_predictions) }); }) });});我想在服务器端做同样的事情，但我不知道需要哪些模块，或者如何从base64加载图像。
我尝试在服务器上下载cocossd和mobilenet:
npm i @tensorflow-models/mobilenet
npm i @tensorflow-models/coco-ssd
然后我尝试为Node.js安装TensorFlow.js:
npm i @tensorflow/tfjs-node
但当我执行:
npm i tensorflow
我得到了以下错误:
npm ERR! code EBADPLATFORM
npm ERR! notsup Unsupported platform for [email protected]: wanted {“os”:”linux,darwin”,”arch”:”any”} (current: {“os”:”win32″,”arch”:”x64″})
npm ERR! notsup Valid OS: linux,darwin
npm ERR! notsup Valid Arch: any
npm ERR! notsup Actual OS: win32
npm ERR! notsup Actual Arch: x64
npm ERR! A complete log of this run can be found in:
npm ERR! C:\Users\johan\AppData\Roaming\npm-cache_logs\2020-02-16T05_27_15_276Z-debug.log
请有人帮帮我 🙏谢谢
回答：
当我执行”npm i @tensorflow-models/mobilenet”时，我也遇到了另一个问题。
这是截图。
看起来包有问题。
你可以尝试这个替代方法。
所以我最终使用了TensorFlow mobilenet的CDN
请参考以下代码行
<script src="https://cdn.jsdelivr.net/npm/@tensorflow/[email protected]/dist/tf.min.js"> </script> //<!-- 加载MobileNet模型。 --><script src="https://cdn.jsdelivr.net/npm/@tensorflow-models/[email protected]/dist/mobilenet.min.js"> </script>以下是步骤:
1. 使用npm init创建一个简单的Node项目。这将创建一个package.json文件。这是包所在或列出的地方。
2. 请注意，你需要在命令行中执行”npm install express –save”，这样express包将被添加到packages.json中
3. 创建一个包含以下代码的index.html文件。在用户界面方面，你将被要求上传一张图片，该图片将在控制台上进行评估或显示为警报消息。
<script src="https://cdn.jsdelivr.net/npm/@tensorflow/[email protected]/dist/tf.min.js"> </script> //<!-- 加载MobileNet模型。 --><script src="https://cdn.jsdelivr.net/npm/@tensorflow-models/[email protected]/dist/mobilenet.min.js"> </script><input type='file' /><br><img id="myImg" src="#" alt="你的图片将在这里显示" ><script> window.addEventListener('load', function() { document.querySelector('input[type="file"]').addEventListener('change', function() { if (this.files && this.files[0]) { var img = document.querySelector('img'); // $('img')[0] img.src = URL.createObjectURL(this.files[0]); // 将src设置为blob url img.onload = imageIsLoaded; } });});async function run() { const img = document.getElementById('myImg'); print(img) const version = 2; const alpha = 0.5; // 加载模型。 const model = await mobilenet.load({version, alpha}); // 分类图像。 const predictions = await model.classify(img); console.log('预测'); console.log(predictions); // 获取logits。 const logits = model.infer(img); console.log('Logits'); logits.print(true); // 获取嵌入。 const embedding = model.infer(img, true); console.log('嵌入'); embedding.print(true); }function imageIsLoaded() { run();}</script>步骤3: 创建一个server.js文件。该文件将使用express npm包在本地服务器上渲染index文件。以下是代码:
const express = require('express');app = express();app.get('/',function(req,res) { res.sendFile('/demo/index.html', { root: __dirname });});const port = 3000app.listen(port, function(){ console.log(`正在监听端口 ${port}`);})步骤4: 打开浏览器并访问localhost:3000
以下是项目工作截图。
更新: 在Node.js上加载
看起来问题出在安装顺序上
步骤1: 安装以下包
npm install @tensorflow/tfjs @tensorflow/tfjs-node --save// 或者...npm install @tensorflow/tfjs @tensorflow/tfjs-node-gpu --save步骤2: 现在你可以安装@tensorflow-models/mobilenet -save
npm install @tensorflow-models/mobilenet -save步骤3: server.js示例用法
const tf = require('@tensorflow/tfjs')// 加载绑定（CPU计算）const mobilenet = require('@tensorflow-models/mobilenet');// 获取图像数据var image = require('get-image-data')image('./cup.jpg', async function (err, image) { const numChannels = 3; const numPixels = image.width * image.height; const values = new Int32Array(numPixels * numChannels); pixels = image.data for (let i = 0; i < numPixels; i++) { for (let channel = 0; channel < numChannels; ++channel) { values[i * numChannels + channel] = pixels[i * 4 + channel]; } } const outShape = [image.height, image.width, numChannels]; const input = tf.tensor3d(values, outShape, 'int32'); await load(input)});async function load(img){ // 加载模型。 const model = await mobilenet.load(); // 分类图像。 const predictions = await model.classify(img); console.log('预测: '); console.log(predictions);}预测的截图
