ml5-library

6.6k 901 非常简单 1 次阅读今天NOASSERTION图像开发框架

AI 解读由 AI 自动生成，仅供参考

ml5-library 是一个专为网页设计的友好机器学习库，旨在让艺术家、创意编程者和学生也能轻松探索人工智能的奥秘。它基于强大的 TensorFlow.js 构建，但极大地简化了使用门槛，让用户无需深厚的数学或后端部署知识，即可直接在浏览器中运行图像识别、姿态检测、文本生成等复杂的机器学习模型。

过去，在网页端应用机器学习往往涉及繁琐的环境配置和高昂的计算资源需求，而 ml5-library 通过封装底层算法，将这些能力转化为简洁易用的 API，真正实现了“开箱即用”。它不仅提供丰富的代码示例和教程，还特别强调伦理计算，在文档中深入探讨数据偏见与负责任的数据收集，引导用户构建更公平的 AI 应用。

深受 Processing 和 p5.js 社区文化的启发，ml5-library 非常适合作为创意编码的教学工具或原型开发利器。无论是想制作交互式艺术装置的设计师，还是希望向学生普及 AI 概念的教育者，都能从中找到灵感。其核心理念是让技术变得亲切可及，鼓励大家在理解算法局限性的基础上，发挥创造力，共同塑造一个更包容的智能网络环境。

使用场景

一位前端开发者希望为在线艺术展览创建一个能通过摄像头实时识别观众手势并生成互动视觉效果的网页，且无需用户安装任何插件。

没有 ml5-library 时

开发者必须深入理解复杂的 TensorFlow.js 底层 API，手动编写大量代码来加载模型、处理张量数据及管理内存，学习曲线极其陡峭。
实现手势识别需要自行收集数据集、训练模型并转换为 Web 可用格式，整个过程耗时数周且对数学和算法要求极高。
缺乏针对创意编码优化的现成示例，每次调整识别阈值或映射逻辑都需要重新编译或配置繁琐的环境。
难以在文档中找到关于数据伦理和偏差的明确指导，容易在无意中开发出带有刻板印象或隐私风险的互动应用。

使用 ml5-library 后

仅需几行类似 p5.js 的简洁代码即可调用预训练的手势识别模型（如 Handpose），无需关心底层张量运算，当天即可产出原型。
直接利用库内集成的友好模型和示例数据，省去了从零训练的步骤，让艺术家能将精力集中在交互创意而非算法调试上。
提供丰富的即时可用案例和清晰的 API 参考，开发者可快速修改参数以调整视觉效果与手势的映射关系，迭代效率显著提升。
内置的道德计算指南和数据使用说明，帮助团队在开发初期就规避了数据偏见问题，确保互动体验的包容性与安全性。

ml5-library 通过将复杂的机器学习技术封装为易用的创意工具，让非算法背景的艺术家和开发者也能轻松在浏览器中构建智能互动体验。

运行环境要求

操作系统

未说明

GPU

未说明

内存

未说明

依赖

notes这是一个基于浏览器的 JavaScript 库，无需安装 Python 环境或配置 GPU/CUDA。它运行在任何支持现代浏览器的操作系统上（Windows/macOS/Linux），主要依赖 TensorFlow.js 在浏览器端进行机器学习推理。通过 CDN 链接直接在 HTML 中引入即可使用。

python不需要

TensorFlow.js

快速开始

请在此处阅读我们的 ml5.js 行为准则和软件许可协议！

本项目目前仍在开发中。

面向Web的友好机器学习！

ml5.js旨在让艺术家、创意程序员和学生等广泛群体更容易接触机器学习。该库基于TensorFlow.js，在浏览器中提供了对机器学习算法和模型的访问。

该库通过代码示例、教程和样本数据集提供支持，并特别强调伦理计算。数据中的偏见、刻板印象带来的危害以及负责任的众包，都是关于数据收集和使用文档的一部分。

ml5.js深受Processing和p5.js的启发。

请阅读我们的行为准则，其中明确了我们致力于将ml5.js打造成为一个友好且包容的环境。

使用方法

在开始使用ml5.js之前，请先查看我们的行为准则。您可以采用多种方式来使用ml5.js库：

您可以通过将其添加到HTML文档的<head>部分来使用最新版本（0.12.2）：

v0.12.2

<script src="https://unpkg.com/ml5@0.12.2/dist/ml5.min.js" type="text/javascript"></script>

如果您因任何原因需要使用较早版本，可以更改版本号。旧版本的ml5可以在这里找到。您可以通过将<version>替换为您感兴趣的ml5版本来使用这些旧版本：

<script src="https://unpkg.com/ml5@<version>/dist/ml5.min.js" type="text/javascript"></script>

例如：

<script src="https://unpkg.com/ml5@0.6.1/dist/ml5.min.js" type="text/javascript"></script>

您也可以引用“latest”，但我们不建议这样做，因为随着ml5的更新，您的代码可能会出现问题。

<script src="https://unpkg.com/ml5@latest/dist/ml5.min.js" type="text/javascript"></script>

资源

独立示例

您可以在本仓库的examples/目录中找到一系列独立示例。此外，您还可以在ml5.js示例索引网站上在线测试这些示例的运行效果。

这些示例旨在作为对库和机器学习概念的入门介绍。

行为准则

我们坚信友好的互联网和社区与构建面向Web的友好机器学习同样重要。请参阅我们的行为准则，了解作为开发者、贡献者或使用者时与ml5互动的相关规则。

参与贡献

想成为**ml5.js库的贡献者 🏗**吗？如果是，并且您有兴趣提交新功能、修复错误或帮助发展ml5.js生态系统，请前往我们的CONTRIBUTING文档以开始参与。

参阅CONTRIBUTING 🛠

致谢

ml5.js得到了来自世界各地开源开发者的宝贵时间和奉献精神的支持。资金和支持由纽约大学ITP/IMA项目的Google教育资助慷慨提供。

非常感谢BrowserStack提供的测试支持。

贡献者

感谢以下各位优秀人士（emoji键）：

_{Daniel Shiffman} 💻 💡 📆 👀 ⚠️ 📹	_{Cristóbal Valenzuela} 💻 💡 👀 🔧 ⚠️	_{Yining Shi} 💻 💡 👀 🔧 ⚠️ 🐛	_{Hannah Davis} 💻 💡	_{Joey Lee} 💻 💡 👀 🖋 ⚠️	_{AshleyJaneLewis} 📝 🎨 📋 🖋	_{Ellen Nickles} 📝 🖋 🤔 ✅
_{Itay Niv} 💻 💡	_{Nikita Huggins} 📝 🖋 🤔	_{Arnab Chakravarty} 🖋 📓	_{Aidan Nelson} 💻 💡	_WenheLI 💻 💡 🚧 🤔	_{Darius Kazemi} 🤔 💬	_{Dingsu Wang} 💻 💡
_garym140 🖋 📝 🤔 📓	_{Gene Kogan} 💻 💡 🤔	_{Hayley Hwang} 💻 💡 🤔	_{Lisa Jamhoury} 💡 🤔	_{Alejandro Matamala Ortiz} 🎨 🖋 📝	_{Maya Man} 💻 💡	_{Mimi Onuoha} 🤔 🖋 👀
_{Yuuno, Hibiki} 💻 💡 🚧	_{Dan Oved} 💻 💡 💬 🤔	_{Stephanie Koltun} 💻 💡 🖋 📝 🎨	_{YG Zhang} 💻 💡 🤔	_{Wenqi Li} 💻 💡 🚇	_{Brent Bailey} ⚠️ 💻 💡	_Jonarod 💻
_{Jasmine Otto} 💻 ⚠️ 💡	_{Zaid Alyafeai} 💻 💡 🤔 💬	_{Jacob Foster} 💻 💡 ⚠️	_{Memo Akten} 💻 💡	_{Mohamed Amine} 💻 💡 🤔 ⚠️	_{Oliver Wright} 💻 ⚠️	_{Marshal Hayes} 📖
_{Reiichiro Nakano} 💻 ⚠️ 💡	_{Nikhil Thorat} 💻 💡 🤔 🚇	_{Irene Alvarado} 💻 💡 🚧 🤔	_{Andrew Lee} 💻 💡 🤔	_Jerhone 📖	_achimkoh 💻 💡 ⚠️	_Jim 💡 📖 🖋
_{Junya Ishihara} 🚧 💻	_{Naoto HIÉDA} 🚧	_{aarón montoya-moraga} 🚧 💡	_b2renger 💻 🚇	_{Aditya Sharma} 🚧	_okuna291 🤔	_Jenna 🤔
_nicoleflloyd 🖋 🎨 📓	_jepster-dk 💻 🤔	_{Xander Jake de los Santos} 🤔	_{Cassie Tarakajian} 🐛 🚇 🤔	_{Dave Briccetti} 🐛	_Sblob1 🐛	_{Jared Wilber} 💡 🤔 💻
_danilo 💻 🤔	_{Emma Goodliffe} 🤔 💬 🚧	_Yang 💻 🐛	_{Lydia Jessup} 💻 🤔 💡	_{CJ R.} 📖 🖋	_{Fabio Corona} 🐛	_{Tobias Nickel} 🐛 💻
_{Michael Salaverry} 🖋 🐛	_Rob 🐛 💬	_{Pujaa Rajan} 💡 🐛	_{Nick McIntyre} ⚠️ 🐛	_{Andy Baio} 🖋 🚧	_{Wenqi Li} 🖋 💻 🚇 🚧 🤔	_garym140 🎨
_Jim 🖋 🚧 🤔	_Yeswanth 🚧 🐛	_{Pettrus Sherlock} 🐛 🚧	_danilo 🖋	_{Andreas Refsgaard} 🖋	_{Brian Jordan} 🖋	_{bradley inniss} 🖋
_{Kaushlendra Pratap} 🖋	_maxdevjs 🖋	_josher19 🖋 🐛	_{Frederik De Bleser} 🖋	_Violet 🐛	_{Tirta Wening Rachman} 💻 🖋 🤔	_{Miká Kruschel} 💻 🐛
_{Takanobu Asanuma} 🖋	_{Martin L. Jensen} 🖋	_{Hugo Romano} 🖋	_{Darshan Sen} 🖋	_{Ludwig Stumpp} 👀 🐛 💡	_{Bomani Oseni McClendon} 🖋 💻	_{Jang Haemin} 🖋
_{Anton Filatov} 🖋	_{Elijah Lucian} 📖	_Tam 🖋	_RGV 💬	_hansvana 🖋	_{Ali Karpuzoglu} 🐛 🚧	_{Jacob Wysko} 🖋
_{Dilwoar Hussain} 📖	_{Manaswini Das} 📖	_{Benjamin Botwin} 👀 💬 🤔	_{Henrique Mota} 👀 💬 🤔	_CaseyPan 💻 🤔	_{Sam Tarakajian} 💻 🐛 🚧 🤔	_{Michael Bell} 📖 🐛 🚧
_machenmusik 💡	_{Pranav Dudhane} 📖	_{Tündi Szász} 🎨 🤔	_hellonun 🤔 📓	_{Pierre Grimaud} 📖 🖋	_{Greg French} 🐛	_{Dale Markowitz} 💻 🤔
_{Ragland Asir} 📖	_{Tom-Lucas Säger} 📖	_altruios 📖	_mennosc 💻	_neta 💻 📖	_Koji 💻 📖	_josephrocca 💻 📖
_{Lauren Lee McCarthy} 💻 📖	_{Sorin Curescu} 💻	_mofanke 🐛 💻	_{Ikko Ashimine} 📖	_{Mudasar-Makandar} 🐛 💻	_{Amir Feqhi} 💻	_DasK 💻 🤔
_Amir 💻 💡	_lindapaiste 💻 🤔 🐛	_{Evan Weinberg} 📖	_{Coder Gautam} 📖	_{Yong-Yuan Chen} 📖	_{adrianfiedler} 📖 🐛

本项目遵循 all-contributors 规范。欢迎任何形式的贡献！

ml5.js 快速上手指南

ml5.js 是一个基于 TensorFlow.js 构建的友好机器学习库，专为艺术家、创意编码者和学生设计。它让开发者无需深厚的机器学习背景，即可在浏览器中轻松调用各种算法模型。

1. 环境准备

系统要求：任何支持现代浏览器的操作系统（Windows, macOS, Linux）。
前置依赖：
- 现代浏览器（推荐 Chrome, Firefox, Edge）。
- 代码编辑器（如 VS Code）。
- （可选）本地服务器环境（由于浏览器安全策略，加载模型通常建议在 localhost 或 https 环境下运行，可使用 VS Code 的 "Live Server" 插件）。
知识储备：基础的 HTML 和 JavaScript 知识，熟悉 p5.js 将更有助于上手。

2. 安装步骤

ml5.js 无需复杂的构建工具，最推荐的方式是通过 CDN 直接在 HTML 文件中引入。

方法一：使用 CDN（推荐）

在你的 HTML 文件的 <head> 标签中加入以下脚本。注意：为了保证代码稳定性，建议指定具体版本号（当前最新稳定版为 0.12.2），避免直接使用 latest 标签导致更新后代码报错。

<script src="https://unpkg.com/ml5@0.12.2/dist/ml5.min.js" type="text/javascript"></script>

国内加速提示：如果 unpkg.com 访问缓慢，可尝试替换为国内镜像源（如 BootCDN 或 Staticfile），但需确认镜像源是否同步了最新版本。示例（使用 Staticfile）：
<script src="https://cdn.staticfile.org/ml5/0.12.2/ml5.min.js" type="text/javascript"></script>

方法二：使用 npm 安装

如果你在使用 Webpack、Vite 等现代前端构建工具，可以通过 npm 安装：

npm install ml5

然后在你的 JavaScript 入口文件中导入：

import ml5 from 'ml5';

3. 基本使用

以下是一个最简单的示例，展示如何在网页中加载 ml5.js 并检查库是否就绪。此示例结合了 p5.js 的结构（ml5.js 深受其启发）。

创建一个 index.html 文件，写入以下代码：

<!DOCTYPE html>
<html lang="zh-CN">
<head>
  <meta charset="UTF-8">
  <title>ml5.js 快速开始</title>
  <!-- 引入 p5.js (可选，但推荐配合使用) -->
  <script src="https://cdnjs.cloudflare.com/ajax/libs/p5.js/1.4.0/p5.js"></script>
  <!-- 引入 ml5.js -->
  <script src="https://unpkg.com/ml5@0.12.2/dist/ml5.min.js" type="text/javascript"></script>
</head>
<body>
  <h1>ml5.js 测试页面</h1>
  <p>请查看浏览器控制台输出。</p>

  <script>
    // 当页面加载完成后执行
    function setup() {
      createCanvas(400, 400);
      
      // 检查 ml5 版本
      console.log('ml5 版本:', ml5.version);
      
      // 示例：加载一个预训练模型（以 PoseNet 为例）
      // 注意：实际使用模型时通常需要异步等待模型加载完成
      const poseNet = ml5.poseNet(modelReady);

      function modelReady() {
        console.log('模型已加载就绪！');
        // 在这里开始使用模型进行预测
      }
    }

    function draw() {
      background(220);
      // 绘制逻辑
    }
  </script>
</body>
</html>

运行说明：

保存上述代码为 index.html。
使用本地服务器打开该文件（例如在 VS Code 中右键选择 "Open with Live Server"），或者直接双击打开（部分功能可能受限）。
打开浏览器的开发者工具（F12），查看 Console（控制台），若看到 "模型已加载就绪！" 字样，即表示环境配置成功。

版本历史

0.12.22022/04/25

0.12.12022/04/13

0.12.02022/04/06

0.11.12022/04/05

0.11.02022/04/05

0.10.62022/04/02

0.10.52022/03/15

0.10.42022/03/07

0.10.32022/02/23

0.10.22022/02/23

0.10.12022/02/08

0.10.02022/02/08

0.9.92022/02/05

0.9.82022/02/03

0.9.72022/02/03

0.9.62022/02/03

0.9.52022/02/03

v0.9.42022/02/03

v0.9.32022/01/28

v0.9.22022/01/28

常见问题

加载自定义模型后调用分类器时，为什么会出现 'pixels passed to tf.fromPixels() can not be null' 的错误？

Posenet 模型加载失败并报错 404 或 JSON 解析错误是怎么回事？

如何在项目中贡献代码并被列为 ml5.js 的贡献者？

如何提升 Pix2Pix 模型的生成效果？

Sketch-RNN 的预训练模型如何加载？是否所有模型都内置在库中？

ml5.js 是否支持无监督学习算法（如 K-Means 聚类）？

如何在 p5.js Web Editor 中运行 ml5.js 的示例代码？

相似工具推荐

openclaw

OpenClaw 是一款专为个人打造的本地化 AI 助手，旨在让你在自己的设备上拥有完全可控的智能伙伴。它打破了传统 AI 助手局限于特定网页或应用的束缚，能够直接接入你日常使用的各类通讯渠道，包括微信、WhatsApp、Telegram、Discord、iMessage 等数十种平台。无论你在哪个聊天软件中发送消息，OpenClaw 都能即时响应，甚至支持在 macOS、iOS 和 Android 设备上进行语音交互，并提供实时的画布渲染功能供你操控。这款工具主要解决了用户对数据隐私、响应速度以及“始终在线”体验的需求。通过将 AI 部署在本地，用户无需依赖云端服务即可享受快速、私密的智能辅助，真正实现了“你的数据，你做主”。其独特的技术亮点在于强大的网关架构，将控制平面与核心助手分离，确保跨平台通信的流畅性与扩展性。 OpenClaw 非常适合希望构建个性化工作流的技术爱好者、开发者，以及注重隐私保护且不愿被单一生态绑定的普通用户。只要具备基础的终端操作能力（支持 macOS、Linux 及 Windows WSL2），即可通过简单的命令行引导完成部署。如果你渴望拥有一个懂你

★ 349.3k|★★★☆☆|1周前

Agent开发框架图像

stable-diffusion-webui

stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面，旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点，将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师，还是想要深入探索模型潜力的开发者与研究人员，都能从中获益。其核心亮点在于极高的功能丰富度：不仅支持文生图、图生图、局部重绘（Inpainting）和外绘（Outpainting）等基础模式，还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外，它内置了 GFPGAN 和 CodeFormer 等人脸修复工具，支持多种神经网络放大算法，并允许用户通过插件系统无限扩展能力。即使是显存有限的设备，stable-diffusion-webui 也提供了相应的优化选项，让高质量的 AI 艺术创作变得触手可及。

★ 162.1k|★★★☆☆|1周前

开发框架图像Agent

everything-claude-code

everything-claude-code 是一套专为 AI 编程助手（如 Claude Code、Codex、Cursor 等）打造的高性能优化系统。它不仅仅是一组配置文件，而是一个经过长期实战打磨的完整框架，旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能，everything-claude-code 能显著提升 AI 在复杂任务中的表现，帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略，使得模型响应更快、成本更低，同时有效防御潜在的攻击向量。这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库，还是需要 AI 协助进行安全审计与自动化测试，everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目，它融合了多语言支持与丰富的实战钩子（hooks），让 AI 真正成长为懂上

★ 156.8k|★★☆☆☆|今天

开发框架Agent语言模型

ComfyUI

ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎，专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式，采用直观的节点式流程图界面，让用户通过连接不同的功能模块即可构建个性化的生成管线。这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景，也能自由组合模型、调整参数并实时预览效果，轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性，不仅支持 Windows、macOS 和 Linux 全平台，还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构，并率先支持 SDXL、Flux、SD3 等前沿模型。无论是希望深入探索算法潜力的研究人员和开发者，还是追求极致创作自由度的设计师与资深 AI 绘画爱好者，ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能，使其成为当前最灵活、生态最丰富的开源扩散模型工具之一，帮助用户将创意高效转化为现实。

★ 108.3k|★★☆☆☆|5天前

开发框架图像Agent

gemini-cli

gemini-cli 是一款由谷歌推出的开源 AI 命令行工具，它将强大的 Gemini 大模型能力直接集成到用户的终端环境中。对于习惯在命令行工作的开发者而言，它提供了一条从输入提示词到获取模型响应的最短路径，无需切换窗口即可享受智能辅助。这款工具主要解决了开发过程中频繁上下文切换的痛点，让用户能在熟悉的终端界面内直接完成代码理解、生成、调试以及自动化运维任务。无论是查询大型代码库、根据草图生成应用，还是执行复杂的 Git 操作，gemini-cli 都能通过自然语言指令高效处理。它特别适合广大软件工程师、DevOps 人员及技术研究人员使用。其核心亮点包括支持高达 100 万 token 的超长上下文窗口，具备出色的逻辑推理能力；内置 Google 搜索、文件操作及 Shell 命令执行等实用工具；更独特的是，它支持 MCP（模型上下文协议），允许用户灵活扩展自定义集成，连接如图像生成等外部能力。此外，个人谷歌账号即可享受免费的额度支持，且项目基于 Apache 2.0 协议完全开源，是提升终端工作效率的理想助手。

★ 100.8k|★★☆☆☆|5天前

插件Agent图像

markitdown

MarkItDown 是一款由微软 AutoGen 团队打造的轻量级 Python 工具，专为将各类文件高效转换为 Markdown 格式而设计。它支持 PDF、Word、Excel、PPT、图片（含 OCR）、音频（含语音转录）、HTML 乃至 YouTube 链接等多种格式的解析，能够精准提取文档中的标题、列表、表格和链接等关键结构信息。在人工智能应用日益普及的今天，大语言模型（LLM）虽擅长处理文本，却难以直接读取复杂的二进制办公文档。MarkItDown 恰好解决了这一痛点，它将非结构化或半结构化的文件转化为模型“原生理解”且 Token 效率极高的 Markdown 格式，成为连接本地文件与 AI 分析 pipeline 的理想桥梁。此外，它还提供了 MCP（模型上下文协议）服务器，可无缝集成到 Claude Desktop 等 LLM 应用中。这款工具特别适合开发者、数据科学家及 AI 研究人员使用，尤其是那些需要构建文档检索增强生成（RAG）系统、进行批量文本分析或希望让 AI 助手直接“阅读”本地文件的用户。虽然生成的内容也具备一定可读性，但其核心优势在于为机器

★ 93.4k|★★☆☆☆|1周前

插件开发框架