Cosa creerai
In questo tutorial scaricherai un modello di classificazione delle immagini TensorFlow.js addestrato ed esportato utilizzando AutoML Vision Edge. Poi creerai una pagina web che carichi il modello ed esegue una previsione su un'immagine.
Obiettivi
Dovrai scrivere il codice JavaScript in:
- Esegui un modello di classificazione delle immagini Edge di AutoML Vision preaddestrato in una pagina web utilizzando la libreria TensorFlow.js.
Prima di iniziare
Addestra un modello da AutoML Vision Edge
Prima di poter eseguire il deployment di un modello su un dispositivo Edge, devi addestrare ed esportare un modello TensorFlow.js da AutoML Vision Edge seguendo la guida rapida sui modelli di dispositivi Edge.
Nel passaggio finale, esporta il modello in TensorFlow.js:
Dopo aver completato la guida rapida, dovresti avere i seguenti file esportati in Google Cloud Storage:
- un file
dict.txt
con etichette - un file
model.json
*.bin
file del peso
Scarica i file del modello
Copia i file esportati da Google Cloud Storage in una directory locale:
gsutil cp gs://${cloud-storage-bucket}/model-export/icn/${model-name}/* ${local-folder}
Scrivi una piccola app web
Dopo aver archiviato i file modello TensorFlow.js in locale, puoi scrivere l'app web:
Vai alla directory locale in cui sono archiviati i file del modello, se non l'hai già fatto.
Crea un file
index.html
nella stessa directory locale con i seguenti contenuti:index.html
Esempi di codice
Esegui l'app web
Avvia un semplice server HTTP sulla porta 8000 dalla directory con il file index.html
:
Python
python3 -m SimpleHTTPServer 8000
Node.js
Se utilizzi Node.js, installa il pacchetto http-server a livello globale ed esegui:
http-server -p 8000
Apri http://localhost:8000 nel browser e vedrai il risultato della previsione nella console (Visualizza > Sviluppatore > Console JavaScript), nonché nella pagina.
Come funziona?
Ora che l'app è in esecuzione, puoi scoprire cosa sta facendo il codice.
I primi due tag script caricano la libreria TensorFlow.js e la libreria AutoML, disponibili nel gestore di pacchetti Gestione dei pacchetti.
Il pacchetto AutoML NPM fornisce un set di API per caricare ed eseguire i modelli prodotti da AutoML Vision Edge. Il pacchetto si occupa di tutte le operazioni di pre-elaborazione o post-elaborazione necessarie per eseguire il modello, ad esempio la possibilità di fornire un feed di un elemento immagine o video, la normalizzazione dei valori dei pixel e la restituzione di un oggetto ordinato con etichette e punteggi.
Il tag immagine carica un'immagine di test da un percorso di pubblicazione Google Cloud Storage:
Quando testi il modello, devi sostituire l'immagine src
con il percorso della tua immagine.
Quindi, carica il modello ed esegui una previsione con l'immagine:
Puoi specificare un modello con tf.automl.loadImageClassification(url)
.
Questa funzione prende un URL assoluto o relativo al file model.json
esportato, che in questo caso è un percorso relativo poiché il file index.html
e i file del modello si trovano nella stessa directory.
Puoi ottenere le tue previsioni chiamando il numero model.classify(image)
. Questa funzione esegue una singola immagine nel modello e restituisce la previsione. L'input per questa funzione è un elemento immagine html, un elemento video o un tensore 3D.
Che cosa succede dopo?
Hai completato un tutorial dell'app web TensorFlow.js Image Classification utilizzando un modello Edge. Hai eseguito l'app web in un browser web e hai eseguito una previsione di classificazione utilizzando il modello Edge personalizzato e un'immagine che hai caricato dal web. Hai quindi esaminato parti del codice campione per capire la funzionalità sottostante.
Prossimi step:
- Visualizza una demo che utilizza il Bundler pacchetti per creare il codice ES6 in un'app autonoma.
- Scopri di più su TensorFlow.js.
- Scopri di più sulla libreria AutoML NPM tramite la documentazione ufficiale.
- Scopri di più su TensorFlow in generale tramite i suoi tutorial.