使用 TensorFlow.js 和 Flask 部署 MobileNet

初级

本项目将指导你使用 Flask 和 TensorFlow.js 创建一个 Web 应用程序,直接在浏览器中使用预训练的 MobileNetV2 模型对图像进行分类。学习如何转换模型、设置服务器,并实现浏览器内的预处理和分类,最终构建一个无缝的图像分类 Web 应用。

CSSHTMLPythonLinuxFlaskJavaScriptMachine Learning

💡 本教程由 AI 辅助翻译自英文原版。如需查看原文,您可以 切换至英文原版

简介

本项目将指导你完成在 Flask 网络应用程序中使用 TensorFlow.js 部署预训练的 MobileNetV2 模型的过程。MobileNetV2 是一个轻量级深度神经网络,主要用于图像分类。TensorFlow.js 能够直接在浏览器中运行机器学习模型,从而实现交互式网络应用程序。Python 网络框架 Flask 将作为后端来托管我们的应用程序。在本项目结束时,你将拥有一个能够使用 MobileNetV2 模型即时对图像进行分类的运行中的网络应用程序。

👀 预览

🎯 任务

在本项目中,你将学习:

  • 如何将预训练的 MobileNetV2 模型从 Keras 导出为与 TensorFlow.js 兼容的格式。
  • 如何创建一个简单的 Flask 应用程序来提供网页内容和模型。
  • 如何设计一个 HTML 页面来上传和显示用于分类的图像。
  • 如何使用 TensorFlow.js 在浏览器中加载导出的模型。
  • 如何在浏览器中预处理图像以匹配 MobileNetV2 的输入要求。
  • 如何在浏览器中运行模型以对图像进行分类并显示结果。

🏆 成果

完成本项目后,你将能够:

  • 将预训练的 Keras 模型转换为可与 TensorFlow.js 一起使用的格式,使机器学习模型能够在浏览器中运行。
  • 设置一个 Flask 应用程序并提供 HTML 内容和静态文件。
  • 将 TensorFlow.js 集成到网络应用程序中以在客户端执行机器学习任务。
  • 在 JavaScript 中预处理图像以使其与深度学习模型的输入要求兼容。
  • 使用浏览器中的深度学习模型进行预测并在网页上动态显示结果。

教师

labby

Labby

Labby is the LabEx teacher.