高加索AV无码,99尹人网毛,韩日337p99,一级a片久久无,97色区综合,激情日韩在线一二三,日韩精品久久精品草比,婷婷久久91,亚洲天堂艹比

你有沒有聽說過有人用人工智能來解決他們的行業(yè)問題，比如醫(yī)生用人工智能來識別癌細胞，閉路電視識別貨架上的產品，甚至是貓檢測器？這些“AI”背后的基本邏輯是自定義對象檢測。

在這個故事中，我們將探索如何通過向AI提供大量藥丸圖像來訓練AI檢測定制藥丸。（不到30分鐘�。�

你可以在家里用一顆簡單的黃色藥丸在這里玩，或者訪問這里的代碼：https：／／github．com／manfye／react－tfjs－azure－objDetect。目標檢測目標檢測是一項計算機視覺任務，涉及兩項主要任務：在圖像中定位一個或多個對象，以及對圖像中的每個對象進行分類圖像分類與目標檢測（分類和定位）。

與圖像分類（圖2）相反，對象檢測的目標是通過邊界框和定位對象的類別來預測對象在圖像中的位置，輸出可以超過1個類別。自定義對象檢測目前，在線提供各種預訓練的模型，如COCO－SSD，它能夠檢測80多種常用對象，如檢測人、鉛筆和智能手機。但是，這個模型不能滿足檢測定制對象的需要，例如，我是一名藥劑師，我想制作一個能夠在網絡攝像機中檢測和計數藥丸的web應用程序。傳統(tǒng)上，要訓練自定義對象，你需要將標簽圖像盡可能多地輸入訓練框架，如tensorflow和pytorch。然后運行該框架，以獲得能夠檢測對象的最終訓練模型。訓練自定義對象檢測模型的流程：

目前，最先進的方法是使用Pytorch和tensorflow等訓練框架來訓練模型，但這種方法存在許多缺點，如計算密集、設置時間長、圖形卡要求高，不適合初學者。因此，出現了商業(yè)（可用的免費層）方法來訓練模型。在本文中，我將展示如何使用Microsoft Azure Custom Vision方法來訓練tensorflow．js對象檢測模型，只需單擊幾下。目標檢測模型訓練Custom Vision是一項人工智能服務，是Microsoft Azure應用計算機視覺的端到端平臺。它為Azure用戶提供了一個免費的層來訓練他們的對象檢測或圖像分類器模型，并將其作為API。對于免費層，它允許每個項目有多達5000張訓練圖像，足夠大，可以檢測少數幾類對象。Azure自定義Vision的定價：

注冊完成后，單擊“新建項目”，單擊“新建”以創(chuàng)建新產品。創(chuàng)建新項目：

然后，創(chuàng)建一個新的資源組并選擇種類：“CustomVision，Training”和“F0”，以使用CustomVision Training的免費層創(chuàng)建新資源：

回到“創(chuàng)建新項目”頁面，你會注意到，一旦你選擇了資源，你就可以選擇項目類型和域，選擇“Object Detections”和 General （compact）。通過選擇壓縮，Microsoft Azure允許你以各種格式下載經過訓練的模型。

你將到達如下圖所示的訓練平臺，單擊圖像上傳。自定義視覺訓練平臺：

上傳未標記的圖像以進行標記。對于本文，我的藥丸圖像資源就在這里。［2］就我的案例而言，我上傳了大約50－100張用于訓練的圖像。

接下來，逐個標記圖像（這是一個乏味的部分），幸運的是，Custom Vision確實為你提供了一個非常用戶友好的標記工具，可以簡化標記過程。

完成標記后，單擊“Train”按鈕并等待幾分鐘，你將得到以下結果：訓練結果：

單擊導出并選擇Tensorflow，然后選擇Tensorflow．js導出。恭喜，你在Tf．js中擁有了第一個自定義對象檢測模型輸出經過訓練的模型：

使用React with Tensorflow．js檢測自定義對象

1．設置你的CreateReact應用程序

通過終端中的以下命令創(chuàng)建Create React應用程序：

npx create－react－app tfjs－azureObject

cd tfjs－azureObject

安裝tensorflow．js和Microsoft Customvision，如下所示：

npm install ＠tensorflow／tfjs

npm install ＠m(xù)icrosoft／customvision－tfjs

安裝react－webcam，如下所示：

npm install react－webcam

然后啟動應用程序npm start

所有的代碼只會出現在App．js中，我只會顯示重要的代碼，完整的代碼可以參考我的GitHub存儲庫

2．導入所需的包

import React， ｛ useEffect， useState， useRef ｝ from ＂react＂；

import Webcam from ＂react－webcam＂；

import ＊ as cvstfjs from ＂＠m(xù)icrosoft／customvision－tfjs＂；

3．構建用戶界面

此項目的UI包括：

按鈕－用于啟動檢測畫

布－用于繪制邊界框，以及

網絡攝像頭－用于輸入圖像／視頻／／

注意：畫布和網絡攝像頭必須具有相同的大小和位置，才能在HTML畫布中進行繪制。

4．加載模型

將下載的模型提取到“Public”文件夾中，確保model．json與weights．bin一起正確放置在／model．json路徑中。要使用模型進行預測，代碼為：

async function predictionFunction（） ｛

setVideoHeight（webcamRef．current．video．videoHeight）；

setVideoWidth（webcamRef．current．video．videoWidth）；

／／ 測試azure vision api

let model ＝ new cvstfjs．ObjectDetectionModel（）；

await model．loadModelAsync（＂model．json＂）；

const predictions ＝ await model．executeAsync（

document．getElementById（＂img＂）

）；

但是，當預測的類必須顯示在照片中時，事情會變得復雜，這就是使用HTML畫布的原因。整個預測功能如下所示：

此函數將創(chuàng)建一個邊界框，在該框上方顯示檢測到的對象類。它包括4個部分，其中第一部分是清除繪制的HTML畫布，然后啟動對象的模型檢測。

如果模型檢測到對象，模型將返回預測數據。通過使用邊界框數據，我們可以使用HTML畫布繪制邊界框。然后，500毫秒后重新運行整個功能。

最后

在本文中，我們將介紹如何使用Microsoft custom Vision層創(chuàng)建自定義對象檢測模型，這將大大減少創(chuàng)建自定義對象檢測模型的工作量和障礙（我認為減少了80％）。然后，我們使用react將該模型合并到Tensorflow．js中，并用不到100行代碼對整個web應用程序進行編碼。

每個行業(yè)對自定義對象檢測的需求都很高，在本文中，我用創(chuàng)建了一個藥丸計數器，希望在了解自定義檢測技術后，它可以啟發(fā)你為你的行業(yè)創(chuàng)建更多的工具。