JavaScript для глубокого обучения 2021 TensorFlow js Ббк

Глава 13. Резюме, заключительные слова и дальнейшие источники информации
531
13.2.3. Использование предобученных моделей 
в TensorFlow.js
Если поставленная задача машинного обучения связана со спецификой конкретного 
приложения или набора данных, имеет смысл создать модель с нуля, и TensorFlow.
js предоставляет все возможности для этого. Однако в некоторых случаях задача 
носит стандартный характер, и существуют предобученные модели, либо в точности 
соответствующие ее требованиям, либо требующие лишь небольших изменений. 
Имеется множество предобученных моделей как в TensorFlow.js, так и основанных 
на них моделей сторонних разработчиков с «чистыми» и удобными в использовании 
API. Существуют и соответствующие пакеты npm, которые удобно подключать в виде 
зависимостей в приложения JavaScript (включая веб­приложения и проекты Node.js).
Подобные предобученные модели могут заметно ускорить разработку в подхо­
дящих сценариях использования. Поскольку перечислить тут все предобученные 
модели на основе TensorFlow.js невозможно, рассмотрим только несколько наи­
более популярных из известных нам. Пакеты с префиксом @tensorflow­models/ 
в названии созданы командой TensorFlow.js, а остальные — плоды труда сторонних 
разработчиков.
@tensorflow­models/mobilenet — облегченная модель классификации изображе­
ний, выдающая для входного изображения оценки вероятностей его принадлеж­
ности к 1000 классов ImageNet. Она удобна для маркирования изображений на веб­
страницах и обнаружения заданного содержимого во входном потоке с веб­камеры, 
а также задач переноса обучения с изображениями на входе. Хотя @tensorflow­
models/mobilenet ориентирована на общие классы изображений, существуют сто­
ронние пакеты для предметно­ориентированной классификации изображений. 
Например, пакет nsfwjs классифицирует изображения на содержащие порнографи­
ческий (и прочий неуместный) контент и допустимые, что удобно для родительского 
контроля, безопасного просмотра сайтов и тому подобных приложений.
Как мы обсуждали в главе 5, задача обнаружения объектов отличается от задачи 
классификации изображений, поскольку результаты должны включать информацию 
не только о том, 
какие
объекты содержит изображение, но и 
где
они располагаются 
в системе координат изображения. Модель обнаружения объектов @tensorflow­
models/coco­ssd способна обнаруживать 90 классов объектов, причем может находить 
в каждом входном изображении при их наличии несколько целевых объектов, ограни­
чивающие прямоугольники которых могут пересекаться (рис. 13.1, блок A).
Особый интерес для веб­приложений представляют определенные типы объ­
ектов, открывающие возможности для новых интересных видов взаимодействия 
человека с компьютером. В их числе человеческие лица, руки и тело в целом. Для 
каждого из этих трех типов объектов существуют специализированные сторонние 
модели на основе TensorFlow.js. Обнаружение лиц и частей лиц (например, глаз 
или рта; см. рис. 13.1, блок Б) в режиме реального времени поддерживают модели 
face­api.js и handsfree. Отслеживать местоположение одной или обеих рук в реаль­
ном времени может handtrackjs (см. рис. 13.1, блок В). Что касается тела в целом, 
обнаруживать с высокой точностью ключевые скелетные точки (плечи, локти, бедра 
и колени; см. рис. 13.1, блок Г) позволяет модель @tensorflow­models/posenet.

---