WebAI.js：一个简单的网页前端部署工具

WebAI.js 是基于 OpenCV.js 和 ONNXRuntime 的 Web 前端 AI 模型部署工具，支持 HTML 和 node.js 调用，可部署目标检测、图像分类、图像分割等 CV 模型，兼容 Paddle 系列套件部分模型，提供模型加载与推理 API 及使用示例。

1. 简介

WebAI.js 是一个基于 OpenCV.js 和 ONNXRuntime 开发的一个 Web 前端 AI 模型部署工具

免费影视、动漫、音乐、游戏、小说资源长期稳定更新！ 👉 点此立即查看 👈

Github: AgentMaker/WebAI.js

可通过在线体验  Hello WebAI.js 进行快速的体验试用

PS. 因为 AIStudio 不太好使用 JavaScript 和部署网络服务，所以本项目仅包含文档介绍不包含任何可运行代码，如需使用请在本地进行调试运行

立即学习“前端免费学习笔记（深入）”；

2. 特性

WebAI.js 支持 HTML script 标签引入和 node.js 两种方式进行使用

目前支持目标检测 (Yolo / ssd / ...)、图像分类 (MobileNet / EfficientNet / ...)、图像分割(BiseNet / PPSeg / ...) 三类 CV 模型

目前支持 PaddleDetection / PaddleClas / PaddleSeg 三个套件部分导出模型的部署

3. 安装

HTML script 标签引入

Npm 安装

$ npm install webai-js

4. 模型

WebAI.js 使用 ONNX 模型进行模型推理，通过配置文件对模型的预处理进行配置

一个常规的模型包含如下两个文件: model.onnx / configs.json

其中 model.onnx 为模型文件，记录了模型的计算图和每层的参数，configs.json 为配置文件，记录了模型预处理的一些配置，如下为一个配置文件的具体内容：

{    "Preprocess": [        {            "type": "Decode", // 图像解码            "mode": "RGB" // RGB 或 BGR        },        {            "type": "Resize", //  图像缩放            "interp": 1, // 插值方式            "keep_ratio": false, // 保持长宽比            "limit_max": false, // 限制图片尺寸            "target_size": [300, 300] // 目标尺寸                    },        {            "type": "Normalize", // 归一化            "is_scale": false, // 是否缩放 (img /= 255.0)            "mean": [127.5, 127.5, 127.5], // 均值            "std": [127.5, 127.5, 127.5] // 标准差        },        {            "type": "Permute" // 转置 (HWC -> CHW)        }    ],    "label_list": [        "aeroplane", "bicycle", "bird", "boat", "bottle", "bus", "car",         "cat", "chair", "cow", "diningtable", "dog", "horse", "motorbike",         "person", "pottedplant", "sheep", "sofa", "train", "tvmonitor"    ] // 标签列表}

项目中提供了多个已经过测试的预训练模型文件，具体文件位于 ./docs/pretrained_models 目录，也可在在线体验网页 Hello WebAI.js 中快速试用如下的模型，以下模型均来自 PaddleDetection / PaddleClas / PaddleSeg 提供预训练模型，具体的导出教程和兼容性表格将很快更新，更多其他套件、工具链的兼容适配也在稳步进行

5. API

模型加载

// Base model(async) WebAI.Model.create(modelURL, sessionOption = { logSeverityLevel: 4 }, init = null, preProcess = null, postProcess = null) -> model// Base CV model(async) WebAI.CV.create(modelURL, inferConfig, sessionOption = { logSeverityLevel: 4 }, getFeeds = null, postProcess = null) -> modelCV// Detection model(async) WebAI.Det.create(modelURL, inferConfig, sessionOption = { logSeverityLevel: 4 }, getFeeds = null, postProcess = null) -> modelDet// Classification model(async) WebAI.Cls.create(modelURL, inferConfig, sessionOption = { logSeverityLevel: 4 }, getFeeds = null, postProcess = null) -> modelCls// Segmentation model(async) WebAI.Seg.create(modelURL, inferConfig, sessionOption = { logSeverityLevel: 4 }, getFeeds = null, postProcess = null) -> modelSeg

  modelURL(string): 模型链接/路径  inferConfig(string): 模型配置文件链接/路径  sessionOption(object): ONNXRuntime session 的配置  getFeeds(function(imgTensor: ort.Tensor, imScaleX: number, imScaleY: number) => feeds:object): 自定义模型输入函数  init(function(model: WebAI.Model) => void): 自定义模型初始化函数  preProcess(function(...args) => feeds: object): 自定义模型预处理函数  postProcess(function(resultsTensors: object, ...args) => result: any): 自定义模型后处理函数

模型推理

// Base model(async) model.infer(...args)// Base CV model(async) modelCV.infer(...args)// Detection model(async) modelDet.infer(imgRGBA, drawThreshold=0.5) ->  bboxes// Classification model(async) modelCls.infer(imgRGBA, topK=5) ->  probs// Segmentation model(async) modelSeg.infer(imgRGBA) ->  segResults

  // 注：目前只能实现 BatchSize=1 的模型推理  imgRGBA(cv.Mat): 输入图像  drawThreshold(number): 检测阈值  topK(number): 返回置信度前 K (K>0) 个结果，如果 K<0 返回所有结果  bboxes({      label: string, // 标签      score: number, // 置信度      color: number[], // 颜色（RGBA）      x1: number, // 左上角 x 坐标      y1: number, // 左上角 y 坐标      x2: number, // 右下角 x 坐标      y2: number // 右下角 y 坐标  }[]): 目标检测包围框结果  probs({      label: string, // 标签      prob: number // 置信度  }[]): 图像分类置信度结果  segResults({      gray: cv.Mat, // 最大值索引图像（Gray）      colorRGBA: cv.Mat, // 伪彩色图（RGBA）      colorMap: { // 调色板          lable: string, // 标签          color: number[] // 颜色（RGBA）      }[]  }): 图像分割结果

更多 API 请参考文档：API 参考

6. 使用

以人脸检测模型为例，简单介绍如何使用 WebAI.js 在网页前端完成模型部署

作为演示，示例网页的搭建非常简单，只包含一个简单的 HTML 网页

编写网页

网页比较简单，其中只包含如下几个元素:

上传按钮：用于上传图像

画布：用于绘制结果图像

隐藏的图像：用于读取图像

两个 JavaScript 脚本：一个用于加载 WebAI.js，另一个用于实现网页的功能

具体的代码如下：

                
        Image:                    
    
                @@##@@                    
                

网页部署

下载模型文件

根据模型文件路径修改 HTML 代码，并将 HTML 代码保存为 index.html 文件

在 index.html 所在目录使用如下命令可以快速启动一个服务器：

$ npx light-server -s . -p 8080

通过浏览器访问网页：http://localhost:8080/ ，网页效果如下图所示：