ITPub博客

前面一文介绍了通过基础的web项目结构实现简单的内容推荐，与其说那个是推荐不如说是一个排序算法。因为热度计算方式虽然解决了内容的时效质量动态化。但是相对用户而言，大家看到的都是几乎一致的内容（不一样也可能只是某时间里某视频的排前或靠后），没有做到个性化的千人千面。

前面一文，初步完成了一下 “AI 换脸” 视频处理程序。完成了视频拆帧，拆帧图片人脸融合，已经音频提取和最后的人脸融合图片的整合（也就是将图片和音频组成视频）。但是在人脸融合部分由于是单线程，处理起来非常耗时，所以这里就对那部分进行优化。

当下，视频内容火爆，带有争议性或反差大的换脸视频总能吸引人视线。虽然 AI 换脸在市面上已经流行了许久，相关制作工具或移动应用也是数不胜数。但是多数制作工具多数情况下不是会员就是收费，而且替换模板有限。以下在实战的角度，用阿里 ModelScope 的图像人脸融合实现一下 AI 视频换脸。

从前面的Tensorflow环境搭建到目标检测模型迁移学习，已经完成了一个简答的纸牌检测器，不管是从图片还是视频都能从画面中识别出有纸牌的目标，并标识出纸牌点数。但是，我想在想让他放在浏览器上可能实际使用，那么要如何让Tensorflow模型转换成web格式的呢？接下来将从实践的角度详细介绍一下部署方法！

关于TF的目标检测迁移学习，我一开始是想通过Tensorflow提供的API，用JS来实现的。但是官方不但没有案例，网上也没有踩坑的博客，加之我又着急要弄水印检测。

看过很多博主通过 Object Detection 实现了一些皮卡丘捕捉，二维码检测等诸多特定项的目标检测。而我跟着他们的案例来运行的时候，不是 Tensorflow 版本冲突，就是缺少什么包，还有是运行官方 object_detection_tutorial 不展示图片等等问题。

为什么要在本地电脑安装 CUDA，CUDA 是什么的，用来做什么？我想，点击标题进来的小伙伴，应该都清楚这些。不管你是用来做什么，或者跟我一样为了跑 Tensorflow 的 Object Detection (目标检测)。

前面已经通过采集拿到了图片，并且也手动对图片做了标注。接下来就要通过 Tensorflow.js 基于 mobileNet 训练模型，最后就可以实现在采集中对图片进行自动分类了。这种功能在应用场景里就比较多了，比如图标素材站点，用户通过上传一个图标，系统会自动匹配出相似的图标，还有二手平台，用户通过上传闲置物品图片，平台自动给出分类等，这些也都是前期对海量图片进行了标注训练而得到一个损失率极低的模型。

这里要介绍的是 Tensorflow.js 官方提供的两个人脸检测模型，分别是 face-detection 和 face-landmarks-detection。他们不但可以对视频中的人间进行定位，而且还能对当前设备 (手机 / 电脑摄像头) 采集的直播流实时监测人脸。所以这些的应用场景就很常见了，比如在线美颜，实时添加互动虚拟挂件等等。

浏览某乎网站时发现了一个分享各种图片的博主，于是我顺手就保存了一些。但是一张一张的保存实在太麻烦了，于是我就想要某虫的手段来处理。这样保存的确是很快，但是他不识图片内容，最近又看了 mobileNet 的预训练模型，想着能让程序自己对图片分类，以下就通过例子从内容采集到分类的过程。

Tensorflow.js 官方提供了很多常用模型库，涵盖了平时开发中大部分场景的模型。例如，前面提到的图片识别，除此之外还有人体姿态识别，目标物体识别，语音文字等识别。其中一些可能是 Python 转换而来，但都是开发人员用海量数据或资源训练的，个人觉得准确度能满足大部分功能开发要求。这里要介绍的是目标物体识别模型 ——CooSSD。

在规则编码中，我们常常会遇到需要通过多种区间判断某种物品分类。比如二手物品的定价，尽管不是新品没有 SKU 但是基本的参数是少不了。想通过成色来区分某种物品，其实主要是确定一些参数。然后根据参数数据以及参数对应成色的所有数据集归档用机器学习训练，这样机器就可以得出规则了。

前言：         由于最近接触了 tensorflow.js，出于试一下的心态，想通过线性回归预测一下博客的粉丝走向和数量，结果翻车了。虽然场景用错地方，但是整个实战方法用在身高体重等方面的预测还是有可行性，所以就记录下来了。 需求：         根据某博客或论坛，抓取一下博主的