Что нам нужно, чтобы увидеть прогноз, это всего 10 строк, как показано ниже. В этом случае я использовал npm вместо тега script. (используя вебпак)

import * as cocoSsd from ‘@tensorflow-models/coco-ssd’;
const img = new Image();
img.src = ‘./images/dog.jpg’;
const prediction = async() => {
  const model = await cocoSsd.load();
  console.log(“loaded…”);
  const predictions = await model.detect(img);
document.getElementById(“prediction”).innerHTML=`class:${predictions[0].class} score:${predictions[0].score}`;
}
prediction();

Следующий HTML, index.html, был сгенерирован кодом Visual Studio (только что добавлен тег скрипта, тег изображения и тег div)

<!DOCTYPE html>
<html lang="en">
    <head>
        <meta charset="UTF-8">
        <meta name="viewport" content="width=device-width, initial-scale=1.0">
        <meta http-equiv="X-UA-Compatible" content="ie=edge">
        <script src="bundle.js"></script>
        <title>Document</title>
    </head>
    <body>
        <img src="images/dog.jpg" id="dog" alt="">
        <div id="prediction"></div>
    </body>
</html>

Результат



tensorflow/tfjs-models
Предварительно обученные модели для TensorFlow.js. Внесите свой вклад в разработку tensorflow/tfjs-моделей, создав учетную запись на GitHub.github.com



Если вы используете тег script, вам нужно будет написать около 11 строк в index.html.

<script src="https://cdn.jsdelivr.net/npm/@tensorflow/tfjs"></script>
<script src="https://cdn.jsdelivr.net/npm/@tensorflow-models/coco-ssd"></script>
<script>
    const img = new Image();
    img.src = './cat.jpg';
    cocoSsd.load().then(model => {
        model.detect(img).then(predictions => {
            console.log('Predictions: ', predictions);
        });
    });
</script>

Если вы добавите функцию загрузки изображения/веб-камеру, вы можете легко создать приложение ml.
что-то вроде этого https://sleepy-maker.github.io/tensorflowjs-and-keras/image_classification/webcam/app/public /