https://github.com/andresweitzel/modulo_mobilenet_cnn_tensorflow_nodejs
Módulo para la implementación del Modelo MobileNET de Red Neuronal Convolucional para la Clasificación de Imágenes
https://github.com/andresweitzel/modulo_mobilenet_cnn_tensorflow_nodejs
Last synced: 4 months ago
JSON representation
Módulo para la implementación del Modelo MobileNET de Red Neuronal Convolucional para la Clasificación de Imágenes
- Host: GitHub
- URL: https://github.com/andresweitzel/modulo_mobilenet_cnn_tensorflow_nodejs
- Owner: andresWeitzel
- License: gpl-3.0
- Created: 2022-11-20T21:05:48.000Z (almost 3 years ago)
- Default Branch: master
- Last Pushed: 2023-07-14T02:46:54.000Z (about 2 years ago)
- Last Synced: 2025-03-27T07:48:38.588Z (7 months ago)
- Language: JavaScript
- Size: 1.42 MB
- Stars: 0
- Watchers: 2
- Forks: 0
- Open Issues: 0
-
Metadata Files:
- Readme: README.md
- License: LICENSE
Awesome Lists containing this project
README
# Módulo_MobileNET_CNN_Tensorflow_NodeJs
* Módulo para la implementación del Modelo MobileNET de Red Neuronal Convolucional para la Clasificación de Imágenes
## Requisitos (Para el S.O W10/11)
* [Microsoft Visual Studio](https://bobbyhadz.com/blog/npm-err-gyp-err-find-vs-you-need-to-install-the-latest-version)
* [Python](https://www.python.org/downloads/)
## Ejecución del Proyecto
* Crear un entorno de trabajo a través de algún IDE
* Clonar el Proyecto (`git clone https://github.com/andresWeitzel/Modulo_MobileNET_CNN_Tensorflow_NodeJs`)
* `IMPORTANTE` : Para el uso de tensorflow en w10/11 es necesario tener instalado el complemento Desktop development with C++ de visual studio. Para instalarlo [seguir estos pasos](https://bobbyhadz.com/blog/npm-err-gyp-err-find-vs-you-need-to-install-the-latest-version). Además de tener instalado [Python](https://www.python.org/downloads/) y configurado su PATH.
* Dentro del directorio instalar todos los plugins implementados
* `npm update` (Actualizamos los repositorios npm)
* `npm install -g npm@latest` (Última version compatible de npm)
* `npm install -S @tensorflow/tfjs`([TensorFlow.js Core](https://github.com/tensorflow/tfjs#tensorflowjs))
* `npm install -S @tensorflow/tfjs-node` ([TensorFlow.js Node.js extension](https://www.npmjs.com/package/@tensorflow/tfjs-node))
* `npm install -S @tensorflow-models/mobilenet` ([MobileNet Model](https://www.npmjs.com/package/@tensorflow-models/mobilenet))
## Posibles Soluciones de errores para la instalación de las librerías
* https://github.com/tensorflow/tfjs/issues/6700
* https://github.com/tensorflow/tfjs/issues/6670
* https://github.com/nodejs/node-gyp#on-windows
### Doc Oficial
* [TensorFlow Core](https://github.com/tensorflow/tfjs#tensorflowjs)
* [TensorFlow Api NodeJs](https://js.tensorflow.org/api_node/4.0.0/)
* [MobileNET v1](https://github.com/tensorflow/models/blob/master/research/slim/nets/mobilenet_v1.md)
### Doc No Oficial
* [Referencia Base](https://becominghuman.ai/image-classification-machine-learning-in-node-js-with-tensorflow-js-dd8e20ba5024)
* [Repositorio Base](https://github.com/tejas77/node-image-classification)
## Modelo de Capa de Lectura y Decodificación de Imagen
``` js
//Imports
const tf = require('@tensorflow/tfjs');
const tfnode = require('@tensorflow/tfjs-node');
const fs = require('fs');
module.exports.exec = (path) => {
const imageBuffer = fs.readFileSync(path);
const tfimage = tfnode.node.decodeImage(imageBuffer);
return tfimage;
}
```
## Modelo de Capa de Clasificación de Imagen
``` js
//Imports
const read= require('../fileSystem/read');
const mobileNet = require('@tensorflow-models/mobilenet');
const classificator = async(path) =>{
try {
const img = read.exec(path);
const model = await mobileNet.load();
const predictions = await model.classify(img);
console.log('Classification Results : ', predictions);
} catch (error) {
console.log(error);
}
}
if (process.argv.length !== 3) throw new Error('Incorrect arguments!');
classificator(process.argv[2]);
```
## Ejecución del Modelo MobileNET
* Las Imágenes se almacenan en el directorio `src/img`
* Seleccionamos alguna imagen para que el modelo la clasifique..
### Primera Clasificación del Modelo
* En mi caso he eliminado la metadata de la imagen y nombre para que el modelo clasifique según su grado de confianza.
* Ejecutamos el modelo desde `src/runners/classificator` con `node classificator.js ../img/test04.jpg`
* Salida Esperada...
``` js
2022-11-20 20:09:04.459159: I tensorflow/core/platform/cpu_feature_guard.cc:193] This TensorFlow binary is optimized with oneAPI Deep Neural Network Library (oneDNN) to use the following CPU instructions in
performance-critical operations: AVX2
To enable them in other operations, rebuild TensorFlow with the appropriate compiler flags.
Classification Results : [
{ className: 'espresso', probability: 0.9372739195823669 },
{ className: 'cup', probability: 0.02711259014904499 },
{ className: 'mortar', probability: 0.008303580805659294 }
]
```
* Alta probabilidad para `espresso` (café expreso). Intervalo de Confianza Alto y Clasificación Correcta.
### Segunda Clasificación del Modelo
* En mi caso he eliminado la metadata de la imagen y nombre para que el modelo clasifique según su grado de confianza.
* Ejecutamos el modelo desde `src/runners/classificator` con `node classificator.js ../img/test05.jpg`
* Salida Esperada...
``` js
2022-11-20 20:11:07.652384: I tensorflow/core/platform/cpu_feature_guard.cc:193] This TensorFlow binary is optimized with oneAPI Deep Neural Network Library (oneDNN) to use the following CPU instructions in
performance-critical operations: AVX2
To enable them in other operations, rebuild TensorFlow with the appropriate compiler flags.
Classification Results : [
{
className: 'microwave, microwave oven',
probability: 0.3682105839252472
},
{ className: 'coffeepot', probability: 0.08597368746995926 },
{ className: 'paper towel', probability: 0.08168061077594757 }
]
```
* Alta probabilidad para `microwave` (microondas). Podemos Notar que el Modelo no aplica un intervalo de confianza aceptable para varios objetos. El modelo logró predecir que hay un `cofeepot` (cafetera) pero con baja probabilidad. Intervalo de Confianza Bajo y Clasificación Correcta. Para este caso se deberá aplicar un ajuste fino de parámetros del modelo.