[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-tensorflow--tfjs-models":3,"tool-tensorflow--tfjs-models":61},[4,18,26,36,44,53],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":17},4358,"openclaw","openclaw\u002Fopenclaw","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。\n\n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。\n\nOpenClaw 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",349277,3,"2026-04-06T06:32:30",[13,14,15,16],"Agent","开发框架","图像","数据工具","ready",{"id":19,"name":20,"github_repo":21,"description_zh":22,"stars":23,"difficulty_score":10,"last_commit_at":24,"category_tags":25,"status":17},3808,"stable-diffusion-webui","AUTOMATIC1111\u002Fstable-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。\n\n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。",162132,"2026-04-05T11:01:52",[14,15,13],{"id":27,"name":28,"github_repo":29,"description_zh":30,"stars":31,"difficulty_score":32,"last_commit_at":33,"category_tags":34,"status":17},1381,"everything-claude-code","affaan-m\u002Feverything-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。\n\n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。\n\n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",142651,2,"2026-04-06T23:34:12",[14,13,35],"语言模型",{"id":37,"name":38,"github_repo":39,"description_zh":40,"stars":41,"difficulty_score":32,"last_commit_at":42,"category_tags":43,"status":17},2271,"ComfyUI","Comfy-Org\u002FComfyUI","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。\n\n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。\n\n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。",107888,"2026-04-06T11:32:50",[14,15,13],{"id":45,"name":46,"github_repo":47,"description_zh":48,"stars":49,"difficulty_score":32,"last_commit_at":50,"category_tags":51,"status":17},4721,"markitdown","microsoft\u002Fmarkitdown","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。\n\n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。\n\n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",93400,"2026-04-06T19:52:38",[52,14],"插件",{"id":54,"name":55,"github_repo":56,"description_zh":57,"stars":58,"difficulty_score":10,"last_commit_at":59,"category_tags":60,"status":17},4487,"LLMs-from-scratch","rasbt\u002FLLMs-from-scratch","LLMs-from-scratch 是一个基于 PyTorch 的开源教育项目，旨在引导用户从零开始一步步构建一个类似 ChatGPT 的大型语言模型（LLM）。它不仅是同名技术著作的官方代码库，更提供了一套完整的实践方案，涵盖模型开发、预训练及微调的全过程。\n\n该项目主要解决了大模型领域“黑盒化”的学习痛点。许多开发者虽能调用现成模型，却难以深入理解其内部架构与训练机制。通过亲手编写每一行核心代码，用户能够透彻掌握 Transformer 架构、注意力机制等关键原理，从而真正理解大模型是如何“思考”的。此外，项目还包含了加载大型预训练权重进行微调的代码，帮助用户将理论知识延伸至实际应用。\n\nLLMs-from-scratch 特别适合希望深入底层原理的 AI 开发者、研究人员以及计算机专业的学生。对于不满足于仅使用 API，而是渴望探究模型构建细节的技术人员而言，这是极佳的学习资源。其独特的技术亮点在于“循序渐进”的教学设计：将复杂的系统工程拆解为清晰的步骤，配合详细的图表与示例，让构建一个虽小但功能完备的大模型变得触手可及。无论你是想夯实理论基础，还是为未来研发更大规模的模型做准备",90106,"2026-04-06T11:19:32",[35,15,13,14],{"id":62,"github_repo":63,"name":64,"description_en":65,"description_zh":66,"ai_summary_zh":66,"readme_en":67,"readme_zh":68,"quickstart_zh":69,"use_case_zh":70,"hero_image_url":71,"owner_login":72,"owner_name":72,"owner_avatar_url":73,"owner_bio":74,"owner_company":75,"owner_location":75,"owner_email":76,"owner_twitter":75,"owner_website":77,"owner_url":78,"languages":79,"stars":107,"forks":108,"last_commit_at":109,"license":110,"difficulty_score":111,"env_os":112,"env_gpu":112,"env_ram":112,"env_deps":113,"category_tags":127,"github_topics":75,"view_count":32,"oss_zip_url":75,"oss_zip_packed_at":75,"status":17,"created_at":128,"updated_at":129,"faqs":130,"releases":131},4699,"tensorflow\u002Ftfjs-models","tfjs-models","Pretrained models for TensorFlow.js","tfjs-models 是一个专为 TensorFlow.js 打造的预训练模型库，旨在让开发者轻松在浏览器或 Node.js 环境中直接应用先进的人工智能能力。它解决了传统机器学习部署门槛高、环境配置复杂的问题，无需后端服务器支持，即可实现图像分类、实时人体姿态估计、手部追踪、物体检测及语义分割等功能。\n\n这套工具特别适合前端开发者、全栈工程师以及希望快速原型验证的研究人员使用。即使没有深厚的机器学习背景，也能通过简洁的 API 调用，将复杂的视觉识别功能集成到网页应用中。其核心亮点在于“开箱即用”：所有模型均托管于 NPM 和 unpkg，只需一行命令即可安装；同时，API 设计刻意隐藏了底层的张量运算细节，让非算法专家也能专注于业务逻辑创新。无论是构建互动式教育应用、无障碍辅助工具，还是创意视觉项目，tfjs-models 都能作为可靠的积木，帮助你在客户端高效落地智能场景。","# Pre-trained TensorFlow.js models\n\nThis repository hosts a set of pre-trained models that have been ported to\nTensorFlow.js.\n\nThe models are hosted on NPM and unpkg so they can be used in any project out of the box. They can be used directly or used in a transfer learning\nsetting with TensorFlow.js.\n\nTo find out about APIs for models, look at the README in each of the respective\ndirectories. In general, we try to hide tensors so the API can be used by\nnon-machine learning experts.\n\nFor those interested in contributing a model, please file a [GitHub issue on tfjs](https:\u002F\u002Fgithub.com\u002Ftensorflow\u002Ftfjs\u002Fissues) to gauge\ninterest. We are trying to add models that complement the existing set of models\nand can be used as building blocks in other apps.\n\n## Models\n\n\u003Ctable style=\"max-width:100%;table-layout:auto;\">\n  \u003Ctr style=\"text-align:center;\">\n    \u003Cth>Type\u003C\u002Fth>\n    \u003Cth>Model\u003C\u002Fth>\n    \u003Cth>Demo\u003C\u002Fth>\n    \u003Cth>Details\u003C\u002Fth>\n    \u003Cth>Install\u003C\u002Fth>\n  \u003C\u002Ftr>\n  \u003C!-- Images -->\n  \u003C!-- ** MobileNet -->\n  \u003Ctr>\n    \u003Ctd rowspan=\"12\">\u003Cb>Images\u003C\u002Fb>\u003C\u002Ftd>\n    \u003Ctd rowspan=\"2\">\u003Cb>\u003Ca style=\"white-space:nowrap; display:inline-block;\" href=\".\u002Fmobilenet\">\u003Cdiv style='vertical-align:middle; display:inline;'>MobileNet\u003C\u002Fdiv>\u003C\u002Fa>\u003C\u002Fb>\u003C\u002Ftd>\n    \u003Ctd>\u003Ca href=\"https:\u002F\u002Fstorage.googleapis.com\u002Ftfjs-models\u002Fdemos\u002Fmobilenet\u002Findex.html\">live\u003C\u002Fa>\u003C\u002Ftd>\n    \u003Ctd rowspan=\"2\">Classify images with labels from the \u003Ca href=\"http:\u002F\u002Fwww.image-net.org\u002F\">ImageNet database\u003C\u002Fa>.\u003C\u002Ftd>\n    \u003Ctd rowspan=\"2\">\u003Ccode>npm i @tensorflow-models\u002Fmobilenet\u003C\u002Fcode>\u003C\u002Ftd>\n  \u003C\u002Ftr>\n  \u003Ctr>\n    \u003Ctd>\u003Ca href=\".\u002Fmobilenet\u002Fdemo\u002Findex.html\">source\u003C\u002Fa>\u003C\u002Ftd>\n  \u003C\u002Ftr>\n  \u003C!-- ** Hand -->\n  \u003Ctr>\n    \u003Ctd rowspan=\"2\">\u003Cb>\u003Ca style=\"white-space:nowrap; display:inline-block;\" href=\".\u002Fhand-pose-detection\">\u003Cdiv style='vertical-align:middle; display:inline;'>Hand\u003C\u002Fdiv>\u003C\u002Fa>\u003C\u002Fb>\u003C\u002Ftd>\n    \u003Ctd>\u003Ca href=\"https:\u002F\u002Fstorage.googleapis.com\u002Ftfjs-models\u002Fdemos\u002Fhand-pose-detection\u002Findex.html?model=mediapipe_hands\">live\u003C\u002Fa>\u003C\u002Ftd>\n    \u003Ctd rowspan=\"2\">Real-time hand pose detection in the browser using TensorFlow.js.\u003C\u002Ftd>\n    \u003Ctd rowspan=\"2\">\u003Ccode>npm i @tensorflow-models\u002Fhand-pose-detection\u003C\u002Fcode>\u003C\u002Ftd>\n  \u003C\u002Ftr>\n  \u003Ctr>\n    \u003Ctd>\u003Ca href=\".\u002Fhand-pose-detection\u002Fdemos\u002Flive_video\u002Findex.html\">source\u003C\u002Fa>\u003C\u002Ftd>\n  \u003C\u002Ftr>\n    \u003C!-- ** Pose -->\n  \u003Ctr>\n    \u003Ctd rowspan=\"2\">\u003Cb>\u003Ca style=\"white-space:nowrap; display:inline-block;\" href=\".\u002Fpose-detection\">\u003Cdiv style='vertical-align:middle; display:inline;'>Pose\u003C\u002Fdiv>\u003C\u002Fa>\u003C\u002Fb>\u003C\u002Ftd>\n    \u003Ctd>\u003Ca href=\"https:\u002F\u002Fstorage.googleapis.com\u002Ftfjs-models\u002Fdemos\u002Fpose-detection\u002Findex.html?model=movenet\">live\u003C\u002Fa>\u003C\u002Ftd>\n    \u003Ctd rowspan=\"2\">An API for real-time human pose detection in the browser.\u003C\u002Ftd>\n    \u003Ctd rowspan=\"2\">\u003Ccode>npm i @tensorflow-models\u002Fpose-detection\u003C\u002Fcode>\u003C\u002Ftd>\n  \u003C\u002Ftr>\n  \u003Ctr>\n    \u003Ctd>\u003Ca href=\".\u002Fpose-detection\u002Fdemos\u002Flive_video\u002Findex.html\">source\u003C\u002Fa>\u003C\u002Ftd>\n  \u003C\u002Ftr>\n  \u003C!-- ** Coco SSD -->\n  \u003Ctr>\n    \u003Ctd rowspan=\"2\">\u003Cb>\u003Ca style=\"white-space:nowrap; display:inline-block;\" href=\".\u002Fcoco-ssd\">\u003Cdiv style='vertical-align:middle; display:inline;'>Coco SSD\u003C\u002Fdiv>\u003C\u002Fa>\u003C\u002Fb>\u003C\u002Ftd>\n    \u003Ctd>\u003Ca href=\"\">\u003C\u002Fa>\u003C\u002Ftd>\n    \u003Ctd rowspan=\"2\">Object detection model that aims to localize and identify multiple objects in a single image. Based on the \u003Ca href=\"https:\u002F\u002Fgithub.com\u002Ftensorflow\u002Fmodels\u002Fblob\u002Fmaster\u002Fresearch\u002Fobject_detection\u002FREADME.md\">TensorFlow object detection API\u003C\u002Fa>.\u003C\u002Ftd>\n    \u003Ctd rowspan=\"2\">\u003Ccode>npm i @tensorflow-models\u002Fcoco-ssd\u003C\u002Fcode>\u003C\u002Ftd>\n  \u003C\u002Ftr>\n  \u003Ctr>\n    \u003Ctd>\u003Ca href=\".\u002Fcoco-ssd\u002Fdemo\">source\u003C\u002Fa>\u003C\u002Ftd>\n  \u003C\u002Ftr>\n    \u003Ctd rowspan=\"2\">\u003Cb>\u003Ca style=\"white-space:nowrap; display:inline-block;\" href=\".\u002Fdeeplab\">\u003Cdiv style='vertical-align:middle; display:inline;'>DeepLab v3\u003C\u002Fdiv>\u003C\u002Fa>\u003C\u002Fb>\u003C\u002Ftd>\n    \u003Ctd>\u003Ca href=\"\">\u003C\u002Fa>\u003C\u002Ftd>\n    \u003Ctd rowspan=\"2\">Semantic segmentation\u003C\u002Ftd>\n    \u003Ctd rowspan=\"2\">\u003Ccode>npm i @tensorflow-models\u002Fdeeplab\u003C\u002Fcode>\u003C\u002Ftd>\n  \u003C\u002Ftr>\n  \u003Ctr>\n    \u003Ctd>\u003Ca href=\".\u002Fdeeplab\u002Fdemo\">source\u003C\u002Fa>\u003C\u002Ftd>\n  \u003C\u002Ftr>\n    \u003C!-- ** Face Landmark Detection -->\n  \u003Ctr>\n    \u003Ctd rowspan=\"2\">\u003Cb>\u003Ca style=\"white-space:nowrap; display:inline-block;\" href=\".\u002Fface-landmarks-detection\">\u003Cdiv style='vertical-align:middle; display:inline;'>Face Landmark Detection\u003C\u002Fdiv>\u003C\u002Fa>\u003C\u002Fb>\u003C\u002Ftd>\n    \u003Ctd>\u003Ca href=\"https:\u002F\u002Fstorage.googleapis.com\u002Ftfjs-models\u002Fdemos\u002Fface-landmarks-detection\u002Findex.html?model=mediapipe_face_mesh\">live\u003C\u002Fa>\u003C\u002Ftd>\n    \u003Ctd rowspan=\"2\">Real-time 3D facial landmarks detection to infer the approximate surface geometry of a human face\u003C\u002Ftd>\n    \u003Ctd rowspan=\"2\">\u003Ccode>npm i @tensorflow-models\u002Fface-landmarks-detection\u003C\u002Fcode>\u003C\u002Ftd>\n  \u003C\u002Ftr>\n  \u003Ctr>\n    \u003Ctd>\u003Ca href=\".\u002Fface-landmarks-detection\u002Fdemos\">source\u003C\u002Fa>\u003C\u002Ftd>\n  \u003C\u002Ftr>\n\n  \u003C!-- * Audio -->\n  \u003C!-- ** Speech Commands -->\n  \u003Ctr>\n    \u003Ctd rowspan=\"2\">\u003Cb>Audio\u003C\u002Fb>\u003C\u002Ftd>\n    \u003Ctd rowspan=\"2\">\u003Cb>\u003Ca style=\"white-space:nowrap; display:inline-block;\" href=\".\u002Fspeech-commands\">\u003Cdiv style='vertical-align:middle; display:inline;'>Speech Commands\u003C\u002Fdiv>\u003C\u002Fa>\u003C\u002Fb>\u003C\u002Ftd>\n    \u003Ctd>\u003Ca href=\"https:\u002F\u002Fstorage.googleapis.com\u002Ftfjs-speech-model-test\u002F2019-01-03a\u002Fdist\u002Findex.html\">live\u003C\u002Fa>\u003C\u002Ftd>\n    \u003Ctd rowspan=\"2\">Classify 1 second audio snippets from the \u003Ca href=\"https:\u002F\u002Fwww.tensorflow.org\u002Ftutorials\u002Faudio\u002Fsimple_audio\">speech commands dataset\u003C\u002Fa>.\u003C\u002Ftd>\n    \u003Ctd rowspan=\"2\">\u003Ccode>npm i @tensorflow-models\u002Fspeech-commands\u003C\u002Fcode>\u003C\u002Ftd>\n  \u003C\u002Ftr>\n  \u003Ctr>\n    \u003Ctd>\u003Ca href=\".\u002Fspeech-commands\u002Fdemo\u002Findex.html\">source\u003C\u002Fa>\u003C\u002Ftd>\n  \u003C\u002Ftr>\n  \u003C!-- * Text -->\n  \u003C!-- ** Universal Sentence Encoder -->\n  \u003Ctr>\n    \u003Ctd rowspan=\"4\">\u003Cb>Text\u003C\u002Fb>\u003C\u002Ftd>\n    \u003Ctd rowspan=\"2\">\u003Cb>\u003Ca style=\"white-space:nowrap; display:inline-block;\" href=\".\u002Funiversal-sentence-encoder\">\u003Cdiv style='vertical-align:middle; display:inline;'>Universal Sentence Encoder\u003C\u002Fdiv>\u003C\u002Fa>\u003C\u002Fb>\u003C\u002Ftd>\n    \u003Ctd>\u003Ca href=\"\">\u003C\u002Fa>\u003C\u002Ftd>\n    \u003Ctd rowspan=\"2\">Encode text into a 512-dimensional embedding to be used as inputs to natural language processing tasks such as sentiment classification and textual similarity.\u003C\u002Ftd>\n    \u003Ctd rowspan=\"2\">\u003Ccode>npm i @tensorflow-models\u002Funiversal-sentence-encoder\u003C\u002Fcode>\u003C\u002Ftd>\n  \u003C\u002Ftr>\n  \u003Ctr>\n    \u003Ctd>\u003Ca href=\".\u002Funiversal-sentence-encoder\u002Fdemo\">source\u003C\u002Fa>\u003C\u002Ftd>\n  \u003C\u002Ftr>\n  \u003C!-- ** Text Toxicity -->\n  \u003Ctr>\n    \u003Ctd rowspan=\"2\">\u003Cb>\u003Ca style=\"white-space:nowrap; display:inline-block;\" href=\".\u002Ftoxicity\">\u003Cdiv style='vertical-align:middle; display:inline;'>Text Toxicity\u003C\u002Fdiv>\u003C\u002Fa>\u003C\u002Fb>\u003C\u002Ftd>\n    \u003Ctd>\u003Ca href=\"https:\u002F\u002Fstorage.googleapis.com\u002Ftfjs-models\u002Fdemos\u002Ftoxicity\u002Findex.html\">live\u003C\u002Fa>\u003C\u002Ftd>\n    \u003Ctd rowspan=\"2\">Score the perceived impact a comment might have on a conversation, from \"Very toxic\" to \"Very healthy\".\u003C\u002Ftd>\n    \u003Ctd rowspan=\"2\">\u003Ccode>npm i @tensorflow-models\u002Ftoxicity\u003C\u002Fcode>\u003C\u002Ftd>\n  \u003C\u002Ftr>\n  \u003Ctr>\n    \u003Ctd>\u003Ca href=\".\u002Ftoxicity\u002Fdemo\u002Findex.html\">source\u003C\u002Fa>\u003C\u002Ftd>\n  \u003C\u002Ftr>\n  \u003C!-- * Depth Estimation -->\n  \u003C!-- ** Portrait Depth -->\n  \u003Ctr>\n    \u003Ctd rowspan=\"2\">\u003Cb>Depth Estimation\u003C\u002Fb>\u003C\u002Ftd>\n    \u003Ctd rowspan=\"2\">\u003Cb>\u003Ca style=\"white-space:nowrap; display:inline-block;\" href=\".\u002Fdepth-estimation\">\u003Cdiv style='vertical-align:middle; display:inline;'>Portrait Depth\u003C\u002Fdiv>\u003C\u002Fa>\u003C\u002Fb>\u003C\u002Ftd>\n    \u003Ctd>\u003Ca href=\"https:\u002F\u002Fstorage.googleapis.com\u002Ftfjs-models\u002Fdemos\u002F3dphoto\u002Findex.html\">live\u003C\u002Fa>\u003C\u002Ftd>\n    \u003Ctd rowspan=\"2\">Estimate per-pixel depth (the distance to the camera center) for a single portrait image, which can be further used for creative applications such as \u003Ca href=\"https:\u002F\u002Fblog.tensorflow.org\u002F2022\u002F05\u002Fportrait-depth-api-turning-single-image.html?linkId=8063793\">3D photo\u003C\u002Fa> and \u003Ca href=\"https:\u002F\u002Fstorage.googleapis.com\u002Ftfjs-models\u002Fdemos\u002Frelighting\u002Findex.html\">relighting\u003C\u002Fa>.\u003C\u002Ftd>\n    \u003Ctd rowspan=\"2\">\u003Ccode>npm i @tensorflow-models\u002Fdepth-estimation\u003C\u002Fcode>\u003C\u002Ftd>\n  \u003C\u002Ftr>\n  \u003Ctr>\n    \u003Ctd>\u003Ca href=\".\u002Fdepth-estimation\u002Fdemos\u002F3d_photo\u002Findex.html\">source\u003C\u002Fa>\u003C\u002Ftd>\n  \u003C\u002Ftr>\n  \u003C!-- * General Utilities -->\n  \u003Ctr>\n    \u003Ctd rowspan=\"2\">\u003Cb>General Utilities\u003C\u002Fb>\u003C\u002Ftd>\n  \u003C!-- ** KNN Classifier -->\n    \u003Ctd rowspan=\"2\">\u003Cb>\u003Ca style=\"white-space:nowrap; display:inline-block;\" href=\".\u002Fknn-classifier\">\u003Cdiv style='vertical-align:middle; display:inline;'>KNN Classifier\u003C\u002Fdiv>\u003C\u002Fa>\u003C\u002Fb>\u003C\u002Ftd>\n    \u003Ctd>\u003Ca href=\"\">\u003C\u002Fa>\u003C\u002Ftd>\n    \u003Ctd rowspan=\"2\">This package provides a utility for creating a classifier using the K-Nearest Neighbors algorithm. Can be used for transfer learning.\u003C\u002Ftd>\n    \u003Ctd rowspan=\"2\">\u003Ccode>npm i @tensorflow-models\u002Fknn-classifier\u003C\u002Fcode>\u003C\u002Ftd>\n  \u003C\u002Ftr>\n  \u003Ctr>\n    \u003Ctd>\u003Ca href=\".\u002Fknn-classifier\u002Fdemo\">source\u003C\u002Fa>\u003C\u002Ftd>\n  \u003C\u002Ftr>\n\u003C\u002Ftable>\n\n## Development\n\nYou can run the unit tests for any of the models by running the following\ninside a directory:\n\n`yarn test`\n\nNew models should have a test NPM script (see [this](.\u002Fmobilenet\u002Fpackage.json) `package.json` and `run_tests.ts` [helper](.\u002Fmobilenet\u002Frun_tests.ts) for reference).\n\nTo run all of the tests, you can run the following command from the root of this\nrepo:\n\n`yarn presubmit`\n","# 预训练的 TensorFlow.js 模型\n\n此仓库托管了一系列已移植到 TensorFlow.js 的预训练模型。\n\n这些模型托管在 NPM 和 unpkg 上，因此可以在任何项目中开箱即用。它们可以直接使用，也可以在 TensorFlow.js 的迁移学习场景中使用。\n\n要了解模型的 API，请查看各个目录中的 README 文件。通常，我们会尽量隐藏张量，以便非机器学习专家也能轻松使用这些 API。\n\n对于有意贡献模型的开发者，请在 [tfjs 的 GitHub 问题页面](https:\u002F\u002Fgithub.com\u002Ftensorflow\u002Ftfjs\u002Fissues) 上提交一个问题，以评估社区的兴趣。我们致力于添加能够补充现有模型集、并可在其他应用中作为构建模块使用的模型。\n\n## 模型\n\n\u003Ctable style=\"max-width:100%;table-layout:auto;\">\n  \u003Ctr style=\"text-align:center;\">\n    \u003Cth>类型\u003C\u002Fth>\n    \u003Cth>模型\u003C\u002Fth>\n    \u003Cth>演示\u003C\u002Fth>\n    \u003Cth>详情\u003C\u002Fth>\n    \u003Cth>安装\u003C\u002Fth>\n  \u003C\u002Ftr>\n  \u003C!-- 图像 -->\n  \u003C!-- ** MobileNet -->\n  \u003Ctr>\n    \u003Ctd rowspan=\"12\">\u003Cb>图像\u003C\u002Fb>\u003C\u002Ftd>\n    \u003Ctd rowspan=\"2\">\u003Cb>\u003Ca style=\"white-space:nowrap; display:inline-block;\" href=\".\u002Fmobilenet\">\u003Cdiv style='vertical-align:middle; display:inline;'>MobileNet\u003C\u002Fdiv>\u003C\u002Fa>\u003C\u002Fb>\u003C\u002Ftd>\n    \u003Ctd>\u003Ca href=\"https:\u002F\u002Fstorage.googleapis.com\u002Ftfjs-models\u002Fdemos\u002Fmobilenet\u002Findex.html\">在线演示\u003C\u002Fa>\u003C\u002Ftd>\n    \u003Ctd rowspan=\"2\">使用来自 \u003Ca href=\"http:\u002F\u002Fwww.image-net.org\u002F\">ImageNet 数据库\u003C\u002Fa> 的标签对图像进行分类。\u003C\u002Ftd>\n    \u003Ctd rowspan=\"2\">\u003Ccode>npm i @tensorflow-models\u002Fmobilenet\u003C\u002Fcode>\u003C\u002Ftd>\n  \u003C\u002Ftr>\n  \u003Ctr>\n    \u003Ctd>\u003Ca href=\".\u002Fmobilenet\u002Fdemo\u002Findex.html\">源码\u003C\u002Fa>\u003C\u002Ftd>\n  \u003C\u002Ftr>\n  \u003C!-- ** 手部姿态检测 -->\n  \u003Ctr>\n    \u003Ctd rowspan=\"2\">\u003Cb>\u003Ca style=\"white-space:nowrap; display:inline-block;\" href=\".\u002Fhand-pose-detection\">\u003Cdiv style='vertical-align:middle; display:inline;'>手部姿态检测\u003C\u002Fdiv>\u003C\u002Fa>\u003C\u002Fb>\u003C\u002Ftd>\n    \u003Ctd>\u003Ca href=\"https:\u002F\u002Fstorage.googleapis.com\u002Ftfjs-models\u002Fdemos\u002Fhand-pose-detection\u002Findex.html?model=mediapipe_hands\">在线演示\u003C\u002Fa>\u003C\u002Ftd>\n    \u003Ctd rowspan=\"2\">使用 TensorFlow.js 在浏览器中实现实时手部姿态检测。\u003C\u002Ftd>\n    \u003Ctd rowspan=\"2\">\u003Ccode>npm i @tensorflow-models\u002Fhand-pose-detection\u003C\u002Fcode>\u003C\u002Ftd>\n  \u003C\u002Ftr>\n  \u003Ctr>\n    \u003Ctd>\u003Ca href=\".\u002Fhand-pose-detection\u002Fdemos\u002Flive_video\u002Findex.html\">源码\u003C\u002Fa>\u003C\u002Ftd>\n  \u003C\u002Ftr>\n  \u003C!-- ** 人体姿态检测 -->\n  \u003Ctr>\n    \u003Ctd rowspan=\"2\">\u003Cb>\u003Ca style=\"white-space:nowrap; display:inline-block;\" href=\".\u002Fpose-detection\">\u003Cdiv style='vertical-align:middle; display:inline;'>人体姿态检测\u003C\u002Fdiv>\u003C\u002Fa>\u003C\u002Fb>\u003C\u002Ftd>\n    \u003Ctd>\u003Ca href=\"https:\u002F\u002Fstorage.googleapis.com\u002Ftfjs-models\u002Fdemos\u002Fpose-detection\u002Findex.html?model=movenet\">在线演示\u003C\u002Fa>\u003C\u002Ftd>\n    \u003Ctd rowspan=\"2\">一个用于浏览器中实时人体姿态检测的 API。\u003C\u002Ftd>\n    \u003Ctd rowspan=\"2\">\u003Ccode>npm i @tensorflow-models\u002Fpose-detection\u003C\u002Fcode>\u003C\u002Ftd>\n  \u003C\u002Ftr>\n  \u003Ctr>\n    \u003Ctd>\u003Ca href=\".\u002Fpose-detection\u002Fdemos\u002Flive_video\u002Findex.html\">源码\u003C\u002Fa>\u003C\u002Ftd>\n  \u003C\u002Ftr>\n  \u003C!-- ** COCO SSD -->\n  \u003Ctr>\n    \u003Ctd rowspan=\"2\">\u003Cb>\u003Ca style=\"white-space:nowrap; display:inline-block;\" href=\".\u002Fcoco-ssd\">\u003Cdiv style='vertical-align:middle; display:inline;'>COCO SSD\u003C\u002Fdiv>\u003C\u002Fa>\u003C\u002Fb>\u003C\u002Ftd>\n    \u003Ctd>\u003Ca href=\"\">\u003C\u002Fa>\u003C\u002Ftd>\n    \u003Ctd rowspan=\"2\">目标检测模型，旨在在同一张图像中定位和识别多个对象。基于 \u003Ca href=\"https:\u002F\u002Fgithub.com\u002Ftensorflow\u002Fmodels\u002Fblob\u002Fmaster\u002Fresearch\u002Fobject_detection\u002FREADME.md\">TensorFlow 目标检测 API\u003C\u002Fa>。\u003C\u002Ftd>\n    \u003Ctd rowspan=\"2\">\u003Ccode>npm i @tensorflow-models\u002Fcoco-ssd\u003C\u002Fcode>\u003C\u002Ftd>\n  \u003C\u002Ftr>\n  \u003Ctr>\n    \u003Ctd>\u003Ca href=\".\u002Fcoco-ssd\u002Fdemo\">源码\u003C\u002Fa>\u003C\u002Ftd>\n  \u003C\u002Ftr>\n  \u003C!-- ** DeepLab v3 -->\n  \u003Ctr>\n    \u003Ctd rowspan=\"2\">\u003Cb>\u003Ca style=\"white-space:nowrap; display:inline-block;\" href=\".\u002Fdeeplab\">\u003Cdiv style='vertical-align:middle; display:inline;'>DeepLab v3\u003C\u002Fdiv>\u003C\u002Fa>\u003C\u002Fb>\u003C\u002Ftd>\n    \u003Ctd>\u003Ca href=\"\">\u003C\u002Fa>\u003C\u002Ftd>\n    \u003Ctd rowspan=\"2\">语义分割\u003C\u002Ftd>\n    \u003Ctd rowspan=\"2\">\u003Ccode>npm i @tensorflow-models\u002Fdeeplab\u003C\u002Fcode>\u003C\u002Ftd>\n  \u003C\u002Ftr>\n  \u003Ctr>\n    \u003Ctd>\u003Ca href=\".\u002Fdeeplab\u002Fdemo\">源码\u003C\u002Fa>\u003C\u002Ftd>\n  \u003C\u002Ftr>\n  \u003C!-- ** 人脸关键点检测 -->\n  \u003Ctr>\n    \u003Ctd rowspan=\"2\">\u003Cb>\u003Ca style=\"white-space:nowrap; display:inline-block;\" href=\".\u002Fface-landmarks-detection\">\u003Cdiv style='vertical-align:middle; display:inline;'>人脸关键点检测\u003C\u002Fdiv>\u003C\u002Fa>\u003C\u002Fb>\u003C\u002Ftd>\n    \u003Ctd>\u003Ca href=\"https:\u002F\u002Fstorage.googleapis.com\u002Ftfjs-models\u002Fdemos\u002Fface-landmarks-detection\u002Findex.html?model=mediapipe_face_mesh\">在线演示\u003C\u002Fa>\u003C\u002Ftd>\n    \u003Ctd rowspan=\"2\">实时 3D 人脸关键点检测，用于推断人脸的大致表面几何形状。\u003C\u002Ftd>\n    \u003Ctd rowspan=\"2\">\u003Ccode>npm i @tensorflow-models\u002Fface-landmarks-detection\u003C\u002Fcode>\u003C\u002Ftd>\n  \u003C\u002Ftr>\n  \u003Ctr>\n    \u003Ctd>\u003Ca href=\".\u002Fface-landmarks-detection\u002Fdemos\">源码\u003C\u002Fa>\u003C\u002Ftd>\n  \u003C\u002Ftr>\n\u003C\u002Ftable>\n\n\u003C!-- * 音频 -->\n  \u003C!-- ** 语音命令 -->\n  \u003Ctr>\n    \u003Ctd rowspan=\"2\">\u003Cb>音频\u003C\u002Fb>\u003C\u002Ftd>\n    \u003Ctd rowspan=\"2\">\u003Cb>\u003Ca style=\"white-space:nowrap; display:inline-block;\" href=\".\u002Fspeech-commands\">\u003Cdiv style='vertical-align:middle; display:inline;'>语音命令\u003C\u002Fdiv>\u003C\u002Fa>\u003C\u002Fb>\u003C\u002Ftd>\n    \u003Ctd>\u003Ca href=\"https:\u002F\u002Fstorage.googleapis.com\u002Ftfjs-speech-model-test\u002F2019-01-03a\u002Fdist\u002Findex.html\">在线演示\u003C\u002Fa>\u003C\u002Ftd>\n    \u003Ctd rowspan=\"2\">对来自\u003Ca href=\"https:\u002F\u002Fwww.tensorflow.org\u002Ftutorials\u002Faudio\u002Fsimple_audio\">语音命令数据集\u003C\u002Fa>的1秒音频片段进行分类。\u003C\u002Ftd>\n    \u003Ctd rowspan=\"2\">\u003Ccode>npm i @tensorflow-models\u002Fspeech-commands\u003C\u002Fcode>\u003C\u002Ftd>\n  \u003C\u002Ftr>\n  \u003Ctr>\n    \u003Ctd>\u003Ca href=\".\u002Fspeech-commands\u002Fdemo\u002Findex.html\">源代码\u003C\u002Fa>\u003C\u002Ftd>\n  \u003C\u002Ftr>\n  \u003C!-- * 文本 -->\n  \u003C!-- ** 通用句子编码器 -->\n  \u003Ctr>\n    \u003Ctd rowspan=\"4\">\u003Cb>文本\u003C\u002Fb>\u003C\u002Ftd>\n    \u003Ctd rowspan=\"2\">\u003Cb>\u003Ca style=\"white-space:nowrap; display:inline-block;\" href=\".\u002Funiversal-sentence-encoder\">\u003Cdiv style='vertical-align:middle; display:inline;'>通用句子编码器\u003C\u002Fdiv>\u003C\u002Fa>\u003C\u002Fb>\u003C\u002Ftd>\n    \u003Ctd>\u003Ca href=\"\">\u003C\u002Fa>\u003C\u002Ftd>\n    \u003Ctd rowspan=\"2\">将文本编码为512维的嵌入向量，用作情感分类、文本相似度等自然语言处理任务的输入。\u003C\u002Ftd>\n    \u003Ctd rowspan=\"2\">\u003Ccode>npm i @tensorflow-models\u002Funiversal-sentence-encoder\u003C\u002Fcode>\u003C\u002Ftd>\n  \u003C\u002Ftr>\n  \u003Ctr>\n    \u003Ctd>\u003Ca href=\".\u002Funiversal-sentence-encoder\u002Fdemo\">源代码\u003C\u002Fa>\u003C\u002Ftd>\n  \u003C\u002Ftr>\n  \u003C!-- ** 文本毒性 -->\n  \u003Ctr>\n    \u003Ctd rowspan=\"2\">\u003Cb>\u003Ca style=\"white-space:nowrap; display:inline-block;\" href=\".\u002Ftoxicity\">\u003Cdiv style='vertical-align:middle; display:inline;'>文本毒性\u003C\u002Fdiv>\u003C\u002Fa>\u003C\u002Fb>\u003C\u002Ftd>\n    \u003Ctd>\u003Ca href=\"https:\u002F\u002Fstorage.googleapis.com\u002Ftfjs-models\u002Fdemos\u002Ftoxicity\u002Findex.html\">在线演示\u003C\u002Fa>\u003C\u002Ftd>\n    \u003Ctd rowspan=\"2\">评估一条评论可能对对话产生的影响，评分范围从“非常有害”到“非常健康”。\u003C\u002Ftd>\n    \u003Ctd rowspan=\"2\">\u003Ccode>npm i @tensorflow-models\u002Ftoxicity\u003C\u002Fcode>\u003C\u002Ftd>\n  \u003C\u002Ftr>\n  \u003Ctr>\n    \u003Ctd>\u003Ca href=\".\u002Ftoxicity\u002Fdemo\u002Findex.html\">源代码\u003C\u002Fa>\u003C\u002Ftd>\n  \u003C\u002Ftr>\n  \u003C!-- * 深度估计 -->\n  \u003C!-- ** 人像深度 -->\n  \u003Ctr>\n    \u003Ctd rowspan=\"2\">\u003Cb>深度估计\u003C\u002Fb>\u003C\u002Ftd>\n    \u003Ctd rowspan=\"2\">\u003Cb>\u003Ca style=\"white-space:nowrap; display:inline-block;\" href=\".\u002Fdepth-estimation\">\u003Cdiv style='vertical-align:middle; display:inline;'>人像深度\u003C\u002Fdiv>\u003C\u002Fa>\u003C\u002Fb>\u003C\u002Ftd>\n    \u003Ctd>\u003Ca href=\"https:\u002F\u002Fstorage.googleapis.com\u002Ftfjs-models\u002Fdemos\u002F3dphoto\u002Findex.html\">在线演示\u003C\u002Fa>\u003C\u002Ftd>\n    \u003Ctd rowspan=\"2\">为单张人像图片估算每个像素的深度（即与相机中心的距离），可用于创意应用，例如\u003Ca href=\"https:\u002F\u002Fblog.tensorflow.org\u002F2022\u002F05\u002Fportrait-depth-api-turning-single-image.html?linkId=8063793\">3D照片\u003C\u002Fa>和\u003Ca href=\"https:\u002F\u002Fstorage.googleapis.com\u002Ftfjs-models\u002Fdemos\u002Frelighting\u002Findex.html\">重新打光\u003C\u002Fa>。\u003C\u002Ftd>\n    \u003Ctd rowspan=\"2\">\u003Ccode>npm i @tensorflow-models\u002Fdepth-estimation\u003C\u002Fcode>\u003C\u002Ftd>\n  \u003C\u002Ftr>\n  \u003Ctr>\n    \u003Ctd>\u003Ca href=\".\u002Fdepth-estimation\u002Fdemos\u002F3d_photo\u002Findex.html\">源代码\u003C\u002Fa>\u003C\u002Ftd>\n  \u003C\u002Ftr>\n  \u003C!-- * 通用工具 -->\n  \u003Ctr>\n    \u003Ctd rowspan=\"2\">\u003Cb>通用工具\u003C\u002Fb>\u003C\u002Ftd>\n  \u003C!-- ** KNN 分类器 -->\n    \u003Ctd rowspan=\"2\">\u003Cb>\u003Ca style=\"white-space:nowrap; display:inline-block;\" href=\".\u002Fknn-classifier\">\u003Cdiv style='vertical-align:middle; display:inline;'>KNN 分类器\u003C\u002Fdiv>\u003C\u002Fa>\u003C\u002Fb>\u003C\u002Ftd>\n    \u003Ctd>\u003Ca href=\"\">\u003C\u002Fa>\u003C\u002Ftd>\n    \u003Ctd rowspan=\"2\">该包提供了一个使用K近邻算法创建分类器的工具。可用于迁移学习。\u003C\u002Ftd>\n    \u003Ctd rowspan=\"2\">\u003Ccode>npm i @tensorflow-models\u002Fknn-classifier\u003C\u002Fcode>\u003C\u002Ftd>\n  \u003C\u002Ftr>\n  \u003Ctr>\n    \u003Ctd>\u003Ca href=\".\u002Fknn-classifier\u002Fdemo\">源代码\u003C\u002Fa>\u003C\u002Ftd>\n  \u003C\u002Ftr>\n\u003C\u002Ftable>\n\n\n\n## 开发\n\n您可以在任意模型目录下运行以下命令来执行单元测试：\n\n`yarn test`\n\n新模型应包含一个用于测试的 NPM 脚本（请参考[这个](.\u002Fmobilenet\u002Fpackage.json) `package.json` 文件以及 [辅助脚本](.\u002Fmobilenet\u002Frun_tests.ts)）。\n\n要运行所有测试，您可以从本仓库的根目录下执行以下命令：\n\n`yarn presubmit`","# tfjs-models 快速上手指南\n\n`tfjs-models` 是 TensorFlow.js 官方维护的预训练模型集合，涵盖图像、音频、文本等多种模态。这些模型已针对浏览器和 Node.js 环境优化，无需机器学习背景即可通过简单的 API 调用实现复杂功能（如物体检测、姿态估计、情感分析等）。\n\n## 环境准备\n\n在开始之前，请确保你的开发环境满足以下要求：\n\n*   **操作系统**：Windows, macOS, 或 Linux。\n*   **Node.js**：建议安装 LTS 版本（v14 或更高）。\n*   **包管理器**：推荐使用 `npm` 或 `yarn`。\n    *   *国内加速建议*：若下载依赖较慢，可配置淘宝镜像源：\n        ```bash\n        npm config set registry https:\u002F\u002Fregistry.npmmirror.com\n        ```\n*   **前端基础**：了解基本的 HTML\u002FJS 知识。若在浏览器运行，需确保页面可通过本地服务器访问（推荐 `http-server` 或 `Vite`），以避免浏览器的 CORS 限制。\n\n## 安装步骤\n\n该仓库包含多个独立模型包，请根据需求安装特定的模型。以下是通用安装流程：\n\n1.  **初始化项目**（如果尚未创建）：\n    ```bash\n    mkdir my-tfjs-app\n    cd my-tfjs-app\n    npm init -y\n    ```\n\n2.  **安装核心依赖**：\n    首先必须安装 TensorFlow.js 核心库。\n    ```bash\n    npm install @tensorflow\u002Ftfjs\n    ```\n\n3.  **安装具体模型**：\n    选择你需要的模型进行安装。例如，安装用于图像分类的 **MobileNet**：\n    ```bash\n    npm install @tensorflow-models\u002Fmobilenet\n    ```\n    \n    或者安装用于人体姿态检测的 **Pose Detection**：\n    ```bash\n    npm install @tensorflow-models\u002Fpose-detection\n    ```\n\n    > **常用模型包名参考**：\n    > *   图像分类：`@tensorflow-models\u002Fmobilenet`\n    > *   物体检测：`@tensorflow-models\u002Fcoco-ssd`\n    > *   手部\u002F姿态检测：`@tensorflow-models\u002Fhand-pose-detection`, `@tensorflow-models\u002Fpose-detection`\n    > *   语音命令：`@tensorflow-models\u002Fspeech-commands`\n    > *   文本毒性检测：`@tensorflow-models\u002Ftoxicity`\n\n## 基本使用\n\n以下以 **MobileNet**（图像分类）为例，展示如何在 HTML 页面中加载模型并进行预测。\n\n### 1. 准备 HTML 结构\n创建一个 `index.html` 文件，引入 TensorFlow.js 和你的模型脚本。\n\n```html\n\u003C!DOCTYPE html>\n\u003Chtml lang=\"zh-CN\">\n\u003Chead>\n    \u003Cmeta charset=\"UTF-8\">\n    \u003Ctitle>TFJS Models Demo\u003C\u002Ftitle>\n    \u003C!-- 引入 TensorFlow.js -->\n    \u003Cscript src=\"https:\u002F\u002Fcdn.jsdelivr.net\u002Fnpm\u002F@tensorflow\u002Ftfjs\">\u003C\u002Fscript>\n    \u003C!-- 引入 MobileNet 模型 -->\n    \u003Cscript src=\"https:\u002F\u002Fcdn.jsdelivr.net\u002Fnpm\u002F@tensorflow-models\u002Fmobilenet\">\u003C\u002Fscript>\n\u003C\u002Fhead>\n\u003Cbody>\n    \u003Ch2>图像分类示例\u003C\u002Fh2>\n    \u003C!-- 替换为你想要测试的图片 URL -->\n    \u003Cimg id=\"image\" src=\"https:\u002F\u002Fstorage.googleapis.com\u002Ftfjs-models\u002Fassets\u002Fkitten.jpg\" width=\"400\">\n    \u003Cdiv id=\"status\">正在加载模型...\u003C\u002Fdiv>\n    \u003Cul id=\"results\">\u003C\u002Ful>\n\n    \u003Cscript>\n        const img = document.getElementById('image');\n        const statusDiv = document.getElementById('status');\n        const resultsList = document.getElementById('results');\n\n        async function run() {\n            try {\n                \u002F\u002F 1. 加载预训练模型\n                const model = await mobilenet.load();\n                statusDiv.innerText = '模型加载完成，正在识别...';\n\n                \u002F\u002F 2. 对图片进行分类\n                const predictions = await model.classify(img);\n\n                \u002F\u002F 3. 显示结果\n                statusDiv.innerText = '识别结果：';\n                predictions.forEach(p => {\n                    const li = document.createElement('li');\n                    li.innerText = `${p.className}: ${(p.probability * 100).toFixed(2)}%`;\n                    resultsList.appendChild(li);\n                });\n            } catch (error) {\n                console.error(error);\n                statusDiv.innerText = '发生错误，请查看控制台。';\n            }\n        }\n\n        \u002F\u002F 确保图片加载完成后运行\n        img.onload = () => run();\n    \u003C\u002Fscript>\n\u003C\u002Fbody>\n\u003C\u002Fhtml>\n```\n\n### 2. 运行项目\n由于浏览器安全策略，直接双击打开 HTML 文件可能导致资源加载失败。建议使用本地服务器运行：\n\n```bash\n# 安装 http-server (如果未安装)\nnpm install -g http-server\n\n# 在当前目录启动服务\nhttp-server\n```\n\n打开浏览器访问 `http:\u002F\u002Flocalhost:8080`，即可看到模型对图片的分类结果。\n\n### 进阶提示\n*   **迁移学习**：结合 `@tensorflow-models\u002Fknn-classifier`，你可以利用上述模型的特征提取能力，仅用少量样本训练自定义分类器。\n*   **实时检测**：对于摄像头视频流，请参考各模型目录下的 `demo` 源码（如 `pose-detection\u002Fdemos\u002Flive_video`），通常涉及 `requestAnimationFrame` 循环处理视频帧。","一家初创健身科技公司正在开发一款基于浏览器的实时动作纠正 Web 应用，旨在让用户无需安装 App 即可通过摄像头获得专业的姿态指导。\n\n### 没有 tfjs-models 时\n- 团队必须自行收集海量运动数据集并从头训练人体姿态模型，耗时数月且需要昂贵的 GPU 算力支持。\n- 为了实现浏览器端运行，开发人员需手动将庞大的 Python\u002FTensorFlow 模型转换为 JavaScript 格式，过程繁琐且极易出错。\n- 前端工程师不得不深入理解复杂的张量（Tensor）运算和机器学习底层逻辑，导致非 AI 背景的成员难以参与核心功能开发。\n- 首屏加载时间过长，用户需要等待大量模型文件下载和解码，严重影响了网页的流畅体验和留存率。\n\n### 使用 tfjs-models 后\n- 直接调用预置的 Pose Detection 模型（如 MoveNet），几分钟内即可集成高精度的人体关键点检测功能，零训练成本。\n- 通过简单的 npm 命令安装包，模型已针对浏览器环境预先优化和转换，开箱即用，彻底消除了格式转换的痛点。\n- API 设计高度封装，隐藏了底层张量操作，普通前端开发者仅需几行代码即可获取关节坐标，大幅降低了技术门槛。\n- 模型托管在 CDN 上并经过体积优化，显著缩短了加载时间，实现了真正的低延迟实时动作反馈。\n\ntfjs-models 通过将复杂的预训练模型转化为易用的前端模块，让普通 Web 开发者也能轻松构建高性能的浏览器端 AI 应用。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Ftensorflow_tfjs-models_53eb6ddc.png","tensorflow","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Ftensorflow_07ed5093.png","",null,"github-admin@tensorflow.org","http:\u002F\u002Fwww.tensorflow.org","https:\u002F\u002Fgithub.com\u002Ftensorflow",[80,84,88,92,96,100,104],{"name":81,"color":82,"percentage":83},"TypeScript","#3178c6",58.2,{"name":85,"color":86,"percentage":87},"Jupyter Notebook","#DA5B0B",22.8,{"name":89,"color":90,"percentage":91},"JavaScript","#f1e05a",16.4,{"name":93,"color":94,"percentage":95},"HTML","#e34c26",1.9,{"name":97,"color":98,"percentage":99},"Shell","#89e051",0.4,{"name":101,"color":102,"percentage":103},"CSS","#663399",0.1,{"name":105,"color":106,"percentage":103},"SCSS","#c6538c",14764,4402,"2026-04-06T14:38:08","Apache-2.0",1,"未说明",{"notes":114,"python":115,"dependencies":116},"该工具基于 TensorFlow.js，主要运行在浏览器或 Node.js 环境中，无需安装 Python。通过 npm 或 yarn 安装对应的模型包即可使用。开发测试需安装 yarn 并运行相应脚本。模型旨在隐藏底层张量操作，方便非机器学习专家调用。","不需要",[117,118,119,120,121,122,123,124,125,126],"@tensorflow\u002Ftfjs","@tensorflow-models\u002Fmobilenet","@tensorflow-models\u002Fhand-pose-detection","@tensorflow-models\u002Fpose-detection","@tensorflow-models\u002Fcoco-ssd","@tensorflow-models\u002Fdeeplab","@tensorflow-models\u002Fface-landmarks-detection","@tensorflow-models\u002Fspeech-commands","@tensorflow-models\u002Funiversal-sentence-encoder","@tensorflow-models\u002Ftoxicity",[15,14],"2026-03-27T02:49:30.150509","2026-04-07T08:10:44.652350",[],[132,136],{"id":133,"version":134,"summary_zh":75,"released_at":135},127379,"tasks-v0.0.1-alpha.6","2021-05-13T18:52:28",{"id":137,"version":138,"summary_zh":75,"released_at":139},127380,"pose-detection-v0.0.1-rc.0","2021-04-08T17:36:51"]