WebAI.js：一个简单的网页前端 AI 模型部署工具

1. 简介

• WebAI.js 是一个基于 OpenCV.js 和 ONNXRuntime 开发的一个 Web 前端 AI 模型部署工具

• 项目 GitHub：AgentMaker/WebAI.js

• 可通过在线体验网站 Hello WebAI.js 进行快速的体验试用
  

2. 特性

• WebAI.js 支持 HTML script 标签引入和 node.js 两种方式进行使用

• 目前支持目标检测 (Yolo / ssd / …)、图像分类 (MobileNet / EfficientNet / …)、图像分割(BiseNet / PPSeg / …) 三类 CV 模型

• 目前支持 PaddleDetection / PaddleClas / PaddleSeg 三个套件部分导出模型的部署

3. 安装

1. HTML script 标签引入

   
   <script src='https://cdn.jsdelivr.net/npm/webai-js/dist/webai.min.js'>script>
   
   
   <script src='https://cdn.jsdelivr.net/npm/[email protected]/dist/webai.min.js'>script>
   

2. Npm 安装

   $ npm install webai-js
   

4. 模型

• WebAI.js 使用 ONNX 模型进行模型推理，通过配置文件对模型的预处理进行配置

• 一个常规的模型包含如下两个文件: model.onnx / configs.json

• 其中 model.onnx 为模型文件，记录了模型的计算图和每层的参数，configs.json 为配置文件，记录了模型预处理的一些配置，如下为一个配置文件的具体内容：

  {
      "Preprocess": [
          {
              "type": "Decode", // 图像解码
              "mode": "RGB" // RGB 或 BGR
          },
          {
              "type": "Resize", //  图像缩放
              "interp": 1, // 插值方式
              "keep_ratio": false, // 保持长宽比
              "limit_max": false, // 限制图片尺寸
              "target_size": [300, 300] // 目标尺寸
              
          },
          {
              "type": "Normalize", // 归一化
              "is_scale": false, // 是否缩放 (img /= 255.0)
              "mean": [127.5, 127.5, 127.5], // 均值
              "std": [127.5, 127.5, 127.5] // 标准差
          },
          {
              "type": "Permute" // 转置 (HWC -> CHW)
          }
      ],
      "label_list": [
          "aeroplane", "bicycle", "bird", "boat", "bottle", "bus", "car", 
          "cat", "chair", "cow", "diningtable", "dog", "horse", "motorbike", 
          "person", "pottedplant", "sheep", "sofa", "train", "tvmonitor"
      ] // 标签列表
  }
  

• 项目中提供了多个已经过测试的预训练模型文件，具体文件位于 ./docs/pretrained_models 目录，也可在在线体验网页 Hello WebAI.js 中快速试用如下的模型，以下模型均来自 PaddleDetection / PaddleClas / PaddleSeg 提供预训练模型，具体的导出教程和兼容性表格将很快更新，更多其他套件、工具链的兼容适配也在稳步进行

  Model	Type	Source
  BlazeFace_1000e	Detection	PaddleDetection
  PPYOLO_tiny_650e_coco	Detection	PaddleDetection
  SSD_mobilenet_v1_300_120e_voc	Detection	PaddleDetection
  SSDLite_mobilenet_v3_small_320_coco	Detection	PaddleDetection
  EfficientNetB0_imagenet	Classification	PaddleClas
  MobileNetV3_small_x0_5_imagenet	Classification	PaddleClas
  PPLCNet_x0_25_imagenet	Classification	PaddleClas
  PPSEG_lite_portrait_398x224	Segmentation	PaddleSeg
  STDC1_seg_voc12aug_512x512_40k	Segmentation	PaddleSeg
  BiseNet_cityscapes_1024x1024_160k	Segmentation	PaddleSeg

5. API

• 模型加载

  // Base model
  (async) WebAI.Model.create(modelURL, sessionOption = { logSeverityLevel: 4 }, init = null, preProcess = null, postProcess = null) -> model
  
  // Base CV model
  (async) WebAI.CV.create(modelURL, inferConfig, sessionOption = { logSeverityLevel: 4 }, getFeeds = null, postProcess = null) -> modelCV
  
  // Detection model
  (async) WebAI.Det.create(modelURL, inferConfig, sessionOption = { logSeverityLevel: 4 }, getFeeds = null, postProcess = null) -> modelDet
  
  // Classification model
  (async) WebAI.Cls.create(modelURL, inferConfig, sessionOption = { logSeverityLevel: 4 }, getFeeds = null, postProcess = null) -> modelCls
  
  // Segmentation model
  (async) WebAI.Seg.create(modelURL, inferConfig, sessionOption = { logSeverityLevel: 4 }, getFeeds = null, postProcess = null) -> modelSeg    
  

    modelURL(string): 模型链接/路径
    inferConfig(string): 模型配置文件链接/路径
    sessionOption(object): ONNXRuntime session 的配置
    getFeeds(function(imgTensor: ort.Tensor, imScaleX: number, imScaleY: number) => feeds:object): 自定义模型输入函数
    init(function(model: WebAI.Model) => void): 自定义模型初始化函数
    preProcess(function(...args) => feeds: object): 自定义模型预处理函数
    postProcess(function(resultsTensors: object, ...args) => result: any): 自定义模型后处理函数
  

• 模型推理

  // Base model
  (async) model.infer(...args)
  
  // Base CV model
  (async) modelCV.infer(...args)
  
  // Detection model
  (async) modelDet.infer(imgRGBA, drawThreshold=0.5) ->  bboxes
  
  // Classification model
  (async) modelCls.infer(imgRGBA, topK=5) ->  probs
  
  // Segmentation model
  (async) modelSeg.infer(imgRGBA) ->  segResults
  

    // 注：目前只能实现 BatchSize=1 的模型推理
  
    imgRGBA(cv.Mat): 输入图像
    drawThreshold(number): 检测阈值
    topK(number): 返回置信度前 K (K>0) 个结果，如果 K<0 返回所有结果
  
    bboxes({
        label: string, // 标签
        score: number, // 置信度
        color: number[], // 颜色（RGBA）
        x1: number, // 左上角 x 坐标
        y1: number, // 左上角 y 坐标
        x2: number, // 右下角 x 坐标
        y2: number // 右下角 y 坐标
    }[]): 目标检测包围框结果
    probs({
        label: string, // 标签
        prob: number // 置信度
    }[]): 图像分类置信度结果
    segResults({
        gray: cv.Mat, // 最大值索引图像（Gray）
        colorRGBA: cv.Mat, // 伪彩色图（RGBA）
        colorMap: { // 调色板
            lable: string, // 标签
            color: number[] // 颜色（RGBA）
        }[]
    }): 图像分割结果
  

• 更多 API 请参考文档：API 参考

6. 部署

• 在线体验网页：Hello WebAI.js

• 除了在线体验网页，也可以通过 node.js 借助 vite 构建工具快速在本地部署这个体验网页

  # 安装依赖
  $ npm install
  
  # 启动服务器调试
  $ npm run dev
  

• 部署完成后，就可以使用浏览器访问 http://localhost:3000/ 进行体验使用

7. 更多

1. WebAI.js 快速使用

2. PaddleDetection 模型导出、转换和部署

3. PaddleClas 模型导出、转换和部署

4. PaddleSeg 模型导出、转换和部署

5. OpenCV.js 快速入门和 API 速览

6. ONNXRuntime.js 快速入门和 API 速览