0
譯者：AI研習社（FIONAbiubiu、成語風）
雙語原文鏈接：Princess Finder using React, ml5.js, and Teachable Machine Learning
到了慶祝的時候了！我們剛剛送走了圣誕老人。現在正等待新年的鐘聲敲響。所以我想到建立一個很酷的東西（至少我的七歲小公主會覺得）同時學一點機器學習。所以我們要做一個什么？
我借用的我女兒所有迪士尼公主人偶來建立一個機器學習模型，這個應用取名為“Princess Finder”，可以通過攝像頭將這些人偶的公主信息都識別出來。本文中我們將會學到這背后的一些知識以及擴展它們的可能性。
該 Princess Finder 應用是使用以下內容構建的：
The Teachable Machine：如何簡單，快速地創建models可直接在應用程序或網站中使用的機器學習？可教學機器允許您將train計算機與圖像，聲音和姿勢一起使用。我們使用迪士尼公主創建了一個模型，以便我們可以Image Classification在應用程序中使用它來執行。
ml5.js：這是使用您的Web瀏覽器進行的Web機器學習。它使用Web瀏覽器的內置圖形處理單元（GPU）進行快速計算。我們可以像使用，可以用API如imageClassifier(model)，classify等來進行圖像分類。
React：這是一個用于構建用戶界面的JavaScript庫。我們可以ml5.js在React應用程序中使用它，只需安裝并將其作為依賴項導入即可。
這是應用程序顯示的截圖，有93％的概率表明，這個娃娃是Jasmine（茉莉公主），它有明顯的金戒指標記。
鑒于我根本不像迪士尼公主（甚至沒有洋娃娃）。因此，我自己的圖像已正確分類，說No Dolls。
這是一個很棒的簡單演示。
如果您是機器學習的新手，您可能會發現其中一些術語有些不知所措。最好是從更高維的角度了解它們的含義以了解用法。
您可以從此處閱讀有關這些和其他機器學習術語的更多信息。
我們的Princess Finder應用程序使用Supervised Machine learning，我們有trained將model有很多examples的公主的照片。每個示例數據還包含一個label，用于通過名稱標識特定的公主。
我們可以使用Teachable Machine用戶界面通過幾個簡單的步驟來創建ML模型。首先，瀏覽到此鏈接。（需要VPN）您可以選擇圖像，聲音或姿勢項目。在我們的例子中，它將是一個圖像項目。
接下來，我們需要通過選擇示例（圖像和標簽）來定義分類。我們可以使用網絡攝像頭拍攝照片，也可以上傳圖像。
加載示例后，我們便開始培訓。這將為我們創建一個模型。
訓練完成后，您可以使用實時數據測試模型。滿意后，您可以導出模型以在應用程序中使用它。
最后，我們可以下載模型以在我們的應用程序中使用它。您可以選擇將模型上傳到云中，以使用URL進行使用。您也可以將項目保存到Google Drive。
如果您有興趣使用或擴展我創建的模型，則可以下載并將其導入“可教機器”界面。
現在我們有了一個模型。我們將使用該ml5.js庫導入模型，并使用實時流對圖像進行分類。我最熟悉的是React。您可以使用任何UI庫，框架或原始JavaScript。我已經使用create-react-app啟動應用程序的骨架并在一分鐘內運行。
安裝ml5.js依賴項
| # Or, npm install ml5 yarn add ml5 |
將模型解壓縮public到項目文件夾下。我們可以model在公共目錄下創建一個名為的文件夾，然后提取文件。
使用ml5.js庫來加載模型。我們將使用該imageClassifier方法來傳遞模型文件。此方法調用返回一個分類器對象，我們將在一段時間內使用該對象對實時圖像進行分類。還要注意，一旦成功加載模型，我們將初始化網絡攝像頭設備，以便我們可以從實時流中收集圖像。
| useEffect(() => { classifier = ml5.imageClassifier("./model/model.json", () => { navigator.mediaDevices .getUserMedia({ video: true, audio: false }) .then((stream) => { videoRef.current.srcObject = stream; videoRef.current.play(); setLoaded(true); }); }); }, []); |
我們還需要在render函數中定義一個視頻組件
| <video ref={videoRef} style={{ transform: "scale(-1, 1)" }} width="200" height="150" /> |
接下來，我們在分類器上調用classify()方法以獲取結果。該results是所有比賽的目標參數標簽的數組。
| classifier.classify(videoRef.current, (error, results) => { if (error) { console.error(error); return; } setResult(results); }); |
我們應該classify在指定的時間間隔內使用方法調用。您可以使用一個稱為React的React Hook，useInterval進行相同操作。結果數組可能看起來像這樣，
請從此處找到App.js文件的完整代碼。就是這樣，您現在可以使用此result數組提供您想要的任何UI表示形式。在我們的例子中，我們在兩個React組件中使用了這個結果數組，
1.列出公主并突出顯示最匹配的那個
| <Princess data={result} / |
2.顯示儀表圖以指示匹配的置信度。
| <Chart data={result[0]} / |
Princess組件循環遍歷結果數組，并使用一些CSS樣式突出顯示它們，并呈現它們。
| import React from "react"; const Princess = (props) => { const mostMatched = props.data[0]; const allLabels = props.data.map((elem) => elem.label); const sortedLabels = allLabels.sort((a, b) => a.localeCompare(b)); return ( <> <ul className="princes"> {sortedLabels.map((label) => ( <li key={label}> <span> <img className={`img ${ label === mostMatched.label ? "selected" : null }`} src={ label === "No Dolls" ? "./images/No.png" : `./images/${label}.png` } alt={label} /> <p className="name">{label}</p> </span> </li> ))} </ul> </> ); }; export default Princess; |
圖表組件就是這樣
| import React from "react"; import GaugeChart from "react-gauge-chart"; const Chart = (props) => { const data = props.data; const label = data.label; const confidence = parseFloat(data.confidence.toFixed(2)); return ( <div> <h3>Classification Confidence: {label}</h3> <GaugeChart id="gauge-chart3" nrOfLevels={3} colors={["#FF5F6D", "#FFC371", "rgb(26 202 26)"]} arcWidth={0.3} percent={confidence} /> </div> ); }; export default Chart; |
就是這樣。請從GitHub存儲庫中找到完整的源代碼。如果您喜歡這項工作，請隨時給項目加星號（?）。
https://github.com/atapas/princess-finder
AI研習社是AI學術青年和AI開發者技術交流的在線社區。我們與高校、學術機構和產業界合作，通過提供學習、實戰和求職服務，為AI學術青年和開發者的交流互助和職業發展打造一站式平臺，致力成為中國最大的科技創新人才聚集地。
如果，你也是位熱愛分享的AI愛好者。歡迎與譯站一起，學習新知，分享成長。
