👾 表情符号寻宝游戏 👾

表情符号寻宝游戏是一款基于网页的实验性游戏，利用 TensorFlow.js 在浏览器中识别您通过网络摄像头或手机摄像头拍摄到的物体。我们会向您展示一些表情符号 🍌 ⏰ ☕️ 📱，而您需要在计时器结束前，在现实世界中找到这些对应的物品 🏆 👍。

想了解我们是如何构建这个实验的，请阅读我们在 TensorFlow 博客上发布的文章，或者直接访问 g.co/emojiscavengerhunt 亲自体验吧！

开发

yarn prep

运行 yarn prep 会使用 Yarn 获取所需的依赖包，并设置好相应的文件夹结构。如果您还没有安装 Yarn，可以通过 Homebrew（适用于 Mac）进行安装。如果您已经使用 nvm 管理 Node.js 和 npm（这是我们推荐的做法），则可以不依赖 Node 直接安装 Yarn：brew install yarn --without-node。

为了开始本地开发，您还需要安装 Google Cloud SDK 及其相关的 App Engine 组件。这些工具用于本地 Web 服务器以及将项目部署到 App Engine 上以实现静态站点托管。

完成上述安装后，您可以运行以下命令启动本地开发服务器：

yarn dev

该任务会使用 watchify 持续监听 JS 和 SASS 文件的变化，一旦检测到修改就会自动重新编译。您可以通过 http://localhost:3000/ 访问本地开发服务器。

当您准备构建用于生产的资源时，可以运行：

yarn build

此命令会对 SASS 和 JS 进行压缩，以便在生产环境中提供服务。

构建您自己的模型

您可以通过运行 Docker 容器来构建自己的图像识别模型。Dockerfile 文件位于 training 目录下。

首先，将用于训练的图片按标签名称分别放入不同的目录中。例如，如果您要训练“猫”和“狗”两类模型，且图片数据存储在 data/images 目录下，则目录结构应如下所示：

data
└── images
    ├── cat
    │   ├── cat1.jpg
    │   ├── cat2.jpg
    │   └── ...
    └── dog
        ├── dog1.jpg
        ├── dog2.jpg
        └── ...

准备好样本图片后，即可通过构建并运行 Docker 容器开始训练：

$ cd training
$ docker build -t model-builder .
$ docker run -v /path/to/data:/data -it model-builder

训练完成后，您会在 data/saved_model_web 目录下看到三个文件：

• tensorflowjs_model.pb（数据流图）
• weights_manifest.json（权重清单文件）
• group1-shard*of*（一组二进制权重文件）

这些文件是经过 TensorFlow.js 转换工具 转换为适合 Web 使用格式的 SavedModel 文件。您可以将自己的自定义图像识别模型替换到 dist/model/ 目录下的相应文件中，从而构建属于您自己的游戏。

训练脚本还会生成一个名为 scavenger_classes.ts 的文件，该文件与您生成的自定义模型协同工作。请务必将 src/js/scavenger_classes.ts 文件替换为新生成的 scavenger_classes.ts 文件，以确保模型的标签与训练数据一致。替换完成后，您可以正常运行构建脚本，在浏览器中测试您的模型。有关如何运行预览服务器的信息，请参阅 README 文件。

如有需要，还可以更新 src/js/game.ts 中的游戏逻辑。

## 许可证

版权所有 © 2018 Google LLC  
根据 Apache License, Version 2.0（简称“许可证”）授权使用；除非符合许可证规定，否则不得使用本文件。您可以在以下网址获取许可证副本：

https://www.apache.org/licenses/LICENSE-2.0

除非适用法律另有要求或双方另有约定，否则本软件以“原样”提供，不附带任何明示或暗示的担保或条件。具体权利与限制详见许可证条款。

## 致谢
本项目是由 Google Brand Studio 与 Google 的 [PAIR](https://ai.google/pair/) 团队合作完成的实验性项目。

## 结语
本项目并非 Google 的官方产品。我们将尽力支持和维护这一实验，但实际效果可能因人而异。

我们鼓励开源项目，以此促进彼此学习。在分享这些作品及创作衍生作品时，请尊重我们及其他创作者的版权和商标权等相关权益。

如需了解更多 Google 的相关政策，您可以访问 [此处](https://policies.google.com/)。

Emoji Scavenger Hunt 快速上手指南

Emoji Scavenger Hunt 是一个基于浏览器的实验性网页游戏，利用 TensorFlow.js 调用摄像头识别现实世界中的物体。玩家需在倒计时结束前找到屏幕显示的表情符号所对应的真实物体。

环境准备

在开始开发前，请确保您的系统满足以下要求并安装了必要的前置依赖：

• 操作系统：macOS、Linux 或 Windows（推荐 macOS/Linux 以获得最佳兼容性）。
• Node.js & npm：建议使用 nvm (Node Version Manager) 管理 Node 版本。
• Yarn：项目依赖管理工具。
  • 若已使用 nvm，在 macOS 上可通过 Homebrew 安装（无需重复安装 Node）：

    brew install yarn --without-node
    

  • 其他系统请参考 Yarn 官方安装文档。
• Google Cloud SDK：用于本地 Web 服务器运行及静态站点部署。
  • 下载安装：Google Cloud SDK 下载页
  • 安装后需额外安装 App Engine Components (Python 标准环境组件)：

    gcloud components install app-engine-python
    

• Docker（可选）：仅当您希望训练自定义图像识别模型时需要安装。

安装步骤

1. 克隆项目代码

   git clone https://github.com/google/emoji-scavenger-hunt.git
   cd emoji-scavenger-hunt
   

2. 安装依赖并初始化项目 运行以下命令，Yarn 将自动下载所需包并配置正确的文件夹结构：

   yarn prep
   

3. 启动本地开发服务器 执行以下命令启动服务。该任务会使用 watchify 监听 JS 和 SASS 文件的变化并自动重新编译：

   yarn dev
   

基本使用

完成安装步骤后，即可在浏览器中体验或开发游戏：

1. 访问本地服务 打开浏览器访问：

   http://localhost:3000/
   

   允许浏览器访问摄像头权限，即可开始游戏。

2. 构建生产环境版本 当需要部署或测试压缩后的生产资源时，运行：

   yarn build
   

   此命令将对 SASS 和 JS 文件进行最小化处理。

3. （进阶）使用自定义模型 若您希望训练自己的物体识别模型：

   • 将训练图片按类别放入 data/images/<类别名> 目录结构中。
   • 进入 training 目录，构建并运行 Docker 容器：

     cd training
     docker build -t model-builder .
     docker run -v /path/to/data:/data -it model-builder
     

   • 训练完成后，将生成的 tensorflowjs_model.pb、weights_manifest.json 及权重分片文件替换到项目的 dist/model/ 目录。
   • 将生成的 scavenger_classes.ts 替换 src/js/scavenger_classes.ts 以匹配新标签。
   • 重新运行 yarn build 和 yarn dev 即可在浏览器中测试自定义模型。