JS前端AI应用集合，6个趣味demo全部可玩
【导读】
在前端应用人脸识别、人像分割等 AI 能力已经广泛分布于各类场景中，其在低延迟、数据隐私保护、服务资源节省等方面都有明显的应用优势。随着人工智能技术的不断发展，越来越多的深度学习模型在保持超轻量的同时也拥有高精度的特点，使得前端可实现的 AI 应用范围不断扩大。
近期，百度飞桨团队联合飞桨开发者专家（PPDE） 陈千鹤，发布了支持一站式 AI 能力的前端应用集合，大幅提升了 AI 模型的易用性和可移植性。主要特色包括：
提供视觉模型7种、web 端 demo 和小程序端 demo 共计6个，覆盖人脸检测、文字识别等经典计算机视觉技术应用方向；
提供开箱即用 demo 和 npm 包调用两种方式，灵活易用；
支持自定义修改前后处理参数、更换模型等定制化需求。
话不多说，先看 demo！
web 前端应用集合：包括人脸检测、人像分割、手势识别、1000种物品识别。
人脸检测
OCR 文字检测与识别动图
小程序应用：
图像识别小游戏
demo 传送门：
https://github.com/PaddlePaddle/FastDeploy/tree/develop/examples/application/js/
详细的使用流程
■ demo 使用
整体优化后的计算机视觉网页端 demo 体验步骤十分简单。
在浏览器中打开 http://localhost:5173/main/index.html 网址即可看到如下界面，点击左侧不同的功能即可体验 OCR、图像检测、分割功能。
■ 进阶使用
以 PP-OCR js 模型为例，只需要通过指令 npm install@paddle-js-models/ocr，使用方式如下：
其中，ocr.recognize()函数的输入参数 img 是 HTML ImageElement 格式的数据。
如果要在前端项目中直接使用其他 demo 中的 AI 能力，只需要在 https://www.npmjs.com/search?q=paddle-js-models 中选择相应的包，通过指令 npm install 包名即可完成安装。
>> 更换模型
参考如下步骤：
步骤1：将模型转成 js 格式，参考如下命令：
步骤2：修改代码替换默认的模型。以 OCR demo 为例：
注：
OCR 文本识别 demo 模型部署的源代码链接：
https://github.com/PaddlePaddle/FastDeploy/tree/develop/examples/application/js/web_demo/demo/src/pages/cv/ocr/TextRecognition/
ocr.init()函数有两个参数，分别为检测模型参数和识别模型参数，源码参考：
https://github.com/PaddlePaddle/FastDeploy/tree/develop/examples/application/js/web_demo/packages/paddlejs-models/ocr/src/index.ts#L52
>> 自定义前后处理参数
以 OCR 文本检测 demo 为例，期望修改文本检测后处理的参数实现扩大文本检测框的效果。
修改前：
参数调整前，文本检测效果如下：
通过给 detect()函数传入文本检测的后处理参数，修改后代码如下：
注：
OCR 文本检测 demo 模型部署的源代码链接：
https://github.com/PaddlePaddle/FastDeploy/tree/develop/examples/application/js/web_demo/demo/src/pages/cv/ocr/TextDetection/
扩大检测框后，重新运行 demo，文本检测效果如下：
有关 PP-OCR js 模型预测的细节，参考以下链接。
https://github.com/PaddlePaddle/FastDeploy/tree/develop/examples/application/js/web_demo/packages/paddlejs-models/ocr
更多 demo 应用方法可以在 FastDeploy 中查阅。
https://github.com/PaddlePaddle/FastDeploy/tree/develop/examples/application/js
FastDeploy 简介
FastDeploy 是一款易用高效的推理部署工具箱。已支持 TensorRT、Paddle Inference、OpenVINO、ONNX Runtime、Paddle.js 等（Paddle Lite、RKNN等开发中），多硬件统一 API 部署体验；覆盖业界 CV、NLP、Speech 等热门 AI 模型60+，提供开箱即用的部署体验。
深度学习模型优化经验揭秘
由于前端环境和计算资源限制，在前端部署深度学习模型时，我们对模型的性能有着更严格的要求，简单来说，模型需要足够轻量化。理论上模型的输入 shape 越小、模型大小越小，则对应的模型的 flops 越小，在前端运行也能更流畅。经验总结，使用 Paddle.js 部署的模型存储尽量不超过5M。
本次发布的 demo 中的模型性能数据如下表所示。其中，主要针对 PP-OCRv3 模型进行了优化，因其涉及多个模型的串联（文本检测和文本识别），对单个模型的性能要求更严格，通过通道裁剪、知识蒸馏等技术进一步进行模型轻量化后，整体系统存储从 12.3M 压缩至4.3M，在 Mac M1 机器上使用 Google Chrome 测试推理速度仅需350ms，流畅度显著升级，相比旧版本模型压缩65%，预测速度提升87.5%。
注：flops 统计不包含前后处理
加入 FastDeploy js 技术交流群
入群福利
第一时间获取 FastDeploy 产品最新信息及学习资料
近距离与各企业部署大佬互动交流
近距离与 FastDeploy 研发同学交流讨论
入群方式
微信扫描下方二维码，关注公众号，填写问卷后进入微信群
▎更多阅读
飞桨官网：
https://www.paddlepaddle.org.cn
FastDeploy 项目地址：
https://github.com/PaddlePaddle/FastDeploy
PaddleOCR 项目地址：
GitHub: https://github.com/PaddlePaddle/PaddleOCR
Gitee: https://gitee.com/paddlepaddle/PaddleOCR