TensorFlow.js是Google推出的JavaScript库，可在浏览器中运行机器学习模型。通过加载预训练模型如MobileNet，对图像进行预处理并预测，实现前端图像识别。示例代码展示从引入库到输出前5个识别类别的完整流程。需注意模型选择、图像预处理一致性、首次加载性能优化及跨域图片问题。使用TensorFlow.js可让Web应用具备本地化、高隐私、低延迟的AI识别能力。
图像识别在现代Web应用中越来越常见，而TensorFlow.js让开发者可以直接在浏览器中运行机器学习模型，无需后端支持。这意味着用户上传的图片可以在本地完成识别，速度快、隐私性高，非常适合轻量级AI功能集成。
什么是TensorFlow.js
TensorFlow.js 是Google推出的JavaScript库，用于在浏览器或Node.js环境中训练和部署机器学习模型。它支持预训练模型加载，也允许从零开始训练模型。对于图像识别任务，通常使用已经训练好的模型（如MobileNet、ResNet）进行迁移学习或直接推理。
如何实现图像识别
要在网页中实现图像识别，基本流程如下：
- 引入TensorFlow.js库到HTML页面
- 加载预训练模型（例如MobileNet）
- 获取图像元素（img或canvas）
- 将图像输入模型进行预测
- 解析输出结果并展示识别标签和置信度
示例代码片段：
<script src="https://cdn.jsdelivr.net/npm/@tensorflow/tfjs"></script>
<img id="testImage" src="cat.jpg" />
<script>
async function runModel() {
// 加载MobileNet模型
const model = await tf.loadLayersModel('https://tfhub.dev/google/tfjs-model/imagenet/mobilenet_v2_100_224/classification/4/default/1');
<p>// 预处理图像
const image = document.getElementById('testImage');
const tensor = tf.browser.fromPixels(image)
.resizeNearestNeighbor([224, 224])
.toFloat()
.expandDims();</p><p>// 进行预测
const predictions = await model.predict(tensor).data();
const top5 = Array.from(predictions)
.map((prob, idx) => ({prob, className: IMAGENET_CLASSES[idx]}))
.sort((a, b) => b.prob - a.prob)
.slice(0, 5);</p><p>console.log(top5); // 输出前5个最可能的类别
}
runModel();</p></script>优化与注意事项
在实际使用中，有几个关键点需要注意：
- 选择合适模型：MobileNet体积小、速度快，适合移动端和Web端；ResNet精度更高但更重
- 图像预处理必须与模型训练时一致，包括尺寸缩放、归一化等
- 首次加载模型较慢，可考虑缓存或懒加载
- 使用Web Workers避免阻塞主线程，提升用户体验
- 注意跨域图片问题，确保图像来源允许Canvas读取
基本上就这些。TensorFlow.js降低了前端接入AI的门槛，图像识别不再是后端专属功能。只要理解模型输入输出格式，并正确处理图像数据，就能快速在网页中加入智能识别能力。
