本文轉自雷鋒網，如需轉載請至雷鋒網官網申請授權。

到了慶祝的時候了！我們剛剛送走了圣誕老人?，F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。

The Princess Finder

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。

幾個術語

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。

Teachable Machine

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。

使用ml5.js和React的用戶界面

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