Modelli TensorFlow.js
Esplora modelli preaddestrati per aggiungere visione artificiale, elaborazione del linguaggio naturale (NLP) e altre attività ML comuni alle tue applicazioni Web e basate su browser.
Visione
Analizza le caratteristiche di immagini e video. Sblocca nuove esperienze in tempo reale nel browser.
Classificare le immagini con etichette dal database ImageNet (MobileNet).
Localizza e identifica più oggetti in un'unica immagine (Coco SSD).
Corpo
Rileva punti e pose chiave su viso, mani e corpo con modelli di MediaPipe e non solo, ottimizzati per JavaScript e Node.js.
Rileva i volti nelle immagini utilizzando un'architettura Single Shot Detector con un codificatore personalizzato (Blazeface).
Prevedi 486 punti di riferimento facciali 3D per dedurre la geometria approssimativa della superficie dei volti umani.
API di rilevamento delle pose unificata per l'utilizzo di uno dei tre modelli che aiutano a rilevare pose atipiche e movimenti rapidi del corpo con prestazioni in tempo reale.
Rilevatore del palmo e modello di tracciamento del dito dello scheletro della mano. Prevedi 21 punti chiave della mano 3D per mano rilevata.
Stimare una mappa di profondità per una singola immagine del ritratto di un essere umano.
Testo
Abilita la PNL nella tua app Web sfruttando la potenza di BERT e di altre architetture di codificatori Transformer.
Rispondi a domande basate sul contenuto di un dato passaggio di testo utilizzando BERT.
Assegna un punteggio all'impatto percepito che un commento può avere su una conversazione, da "Molto tossico" a "Molto salutare" (Tossicità).
Codifica il testo in incorporamenti per attività NLP come la classificazione del sentiment e la somiglianza testuale (Universal Sentence Encoder).
Audio
Classifica l'audio per rilevare i suoni e attivare un'azione nella tua app Web.
Classificare i frammenti audio di 1 secondo dal set di dati dei comandi vocali (comandi vocali).
Generale
Trova altri modelli TensorFlow.js che possono essere utilizzati immediatamente.
Utilità per creare un classificatore utilizzando l'algoritmo K-Nearest-Neighbors. Può essere utilizzato per il trasferimento dell'apprendimento.