Class 3 - 电子相册搭建(人脸、表情识别)

在线体验各类最新模型,更有模型 免费Token 额度领取!
立即体验
简介: 阿里云高校计划视觉AI五天训练营教程

功能:项目分为前端和后端两个部分,调用阿里云人脸识别、表情识别的功能,对电子相册里面的照片进行自动标签和分类。

API地址
阿里达摩院视觉识别平台(https://vision.aliyun.com/

一、后端

代码是Java的srping-boot项目
项目代码下载地址:https://github.com/aliyun/alibabacloud-viapi-demo/tree/master

  • Application:启动的入口函数,
  • common:一般就是存放公共的类或者常量,或者枚举值,
  • config:装载或者是数据库的配置。
  • Controller:用于接收外部的请求,通过接口调用或得到的数据返回给前端
  • Service: 把不同的请求 , 不同的服务抽象成一个 service。
  • Utils: 用于存放公共的类或者工具函数。

1.controller

获取图片、分类等,上传文件。

2.ResourceService

存储数据,资源管理

3.VisionService

上传图片,识别图片中的表情和场景

VisionService,识别场景,表情。我们上传图片流,我们把整个图片流传到接口里面,然后从服务端去识别这个场景。新的版本的 SDK支持通过本地上传图片来进行识别

4.在控制台开通相应功能

图片文件需要上传到对象存储oss中
新的版本的 SDK支持通过本地上传图片来进行识别

5.ResourceService 是一个资源的管理器

6.allImg 将所有上传的图片,放在数组里面。

7.json文件

cateMap 之后又分成两个场景 expression、scene,可以看到不同的分类,表情识别,场景识别,里面存放所有识别出来的表情,比如说惊讶、生气、开心,场景识别,存放运动、户外,这样存储是为了我们能够快速的进行查询,比如说可以通过分类,快速的找到某一个分类下面的所有的识别。

expressionMap 是表示某类标签下面都包括哪些图片,senceMap 也是同样的意思。

imgLabels 是一个反向的查找的过程,即通过一个图片,识别出来了哪些场景,比如说我们可以看到它可能这张图片它可能直接识别出来了,它是属于人物场景,属于运动场景,然后属于生气的表情,属于演出等场景。

二、前端

1.利用上传的组件实现图片上传

2.实现轮播图、列表

3.实现自定义的标签

前端采用视频所述方法

前端页面通过 vue,然后加上 element-ui 这个两个组件来实现前端的逻辑。大概可以看一下整个的结构,它可以分成三部分。

第一部分是通过一个上传的组件来实现拖拽上传以及点选。
找到一个图片,可以看到两种方式,一种拖拽,一种是点击上传,这是通过一个组件来实现的。action是在上传图片要去访问后端的 upload 接口,之后有一个事件,是在成功之后应该做哪些事情,也就是对应的要执行的函数。 比如 UploadSuccess 指上传成功之后,刷新页面,添加下面的标签分类等。

第二部分是实现轮播图部分
通过vue 的一个组件。vue-gallery, 实现自定义的标签名,之后定义了一个属性:photos。photos 从后台去取回数据,之后把它渲染到前端的 html 页面当中。由于我们这是一个组件,它会有对应的自己一个模板,这个就是我们整个的模板部分,之后对它进行背景图片的处理,然后以及一些事件的定义。
vue,它的整个是一个事件的数据流,通过数据的不同的变化,然后我们就可以去触发它的渲染,比如上传一张图片,它是可以对应不同的组件进行交互,利用不同的标签,事件来驱动数据的变化。

mounted定义一些事件,比如图片变化,怎么调用,以及监听按下不同的键,应该做哪些操作,然后是前张图片还是后一张图片等。
el 是一个 ID 的绑定,比如 #app, 在这个标签上层父级,定义了一个 ID 叫 app,这时候可以把组件放在父级 div 下面,然后在这个里面去根据模板进行渲染。

第三部分是自定义标签的组件。

V-tag 对应的是这块,我们把它分成不同的分类,下面有不同的标签是组件来实
现的。

Data 是指在初始化的时候,需要进行哪些渲染。这里面自定义了不同的颜色。cateMap,将返回的英文转化成汉字去显示出来。去取一个不同的 ID,然后给它选成不同的颜色,通过取一个随机的下标,然后去把它选成不同的颜色。
Tag 是一个两层 map 结构。就是第一层这里面某比每层结构,表情,下面有几种表情,场景下面有几种场景,这是一个两层的 map 结构。所以在渲染的时候,会对两层的 map 进行渲染,第一层完成之后,再渲染第二层数据。实现不同的触发,上传文件,成功之后要进行不同的事件操作。

因为要实现不同的组件之间进行通信,自定义了一个虚拟的 Event 的 vue 的实例,然后通过 Event 将所有的不同的 vue 实例串联起来。比如 uploadSuccess 去发送一个事件。通过 upload vue 实例去给其他的实例去发事件,在上传成功之后加载到轮播图里面。on 就对应去接收 emit 传过来的事件。如果我们得到了 uploadSuccess 事件 ,那么就会通过从后端去获取数据,对这个页面进行一个刷新操作。refresh 也是同样的道理,上传成功之后,要对整个的 tag 进行一个刷新,把新识别出来的不同的场景,不同标签,进行一个刷新。

相关文章
|
4月前
|
人工智能 算法 前端开发
AI 应用软件的外包开发
2026年国内AI英语类APP外包开发市场成熟但陷阱多:价格分三档(5万起MVP、20–50万专业级、80万+专家级),核心看TTFT<400ms、Token成本优化、数据安全及备案支持。避坑关键:验Agent编排能力、音视频工程经验、Prompt资产归属,慎防黑盒交付与算力转嫁。(239字)
|
存储 OLAP OLTP
漫谈OceanBase 列式存储
列式存储主要的目的有两个: 大部分OLAP查询只需要读取部分列而不是全部列数据,列式存储可以避免读取无用数据; 将同一列的数据在物理上存放在一起,能够极大地提高数据压缩率。 OLAP和OLTP OLAP,也叫联机分析处理(Online Analytical Processing)系统,有的时候也叫DSS决策支持系统,就是我们说的数据仓库。
6923 0
解决办法:dpkg: 错误: 无法打开软件包的 info 文件 /var/lib/dpkg/available 以便读取: 没有那个文件或目录
解决办法:dpkg: 错误: 无法打开软件包的 info 文件 /var/lib/dpkg/available 以便读取: 没有那个文件或目录
848 0
|
4月前
|
人工智能 Linux API
驯服 OpenClaw 小龙虾AI 进阶攻略:阿里云/本地部署+百炼API配置,从零拥有专属AI助手
2026年,OpenClaw作为能直接操控电脑、替人干活的强大AI Agent,彻底打破了传统AI工具的局限,但“选择难、配置繁、上手慢、落地难”的痛点,让它一度成为技术极客的专属玩具。为了打破技术壁垒,Datawhale重磅开源首套系统性教程《Hello Claw》,以“龙虾大学”四阶进阶体系,带领普通用户从“领养”到“改造”,全方位驯服这只红色“龙虾”。本文将深度拆解《Hello Claw》的核心价值与四阶成长路径,补充2026年OpenClaw在阿里云及本地MacOS/Linux/Windows11的完整部署流程、阿里云百炼Coding Plan免费大模型API配置步骤,以及部署和学习中
932 1
|
网络安全
IP地址SSL证书怎么申请?
本文介绍如何申请浏览器及系统可信的SSL证书,而非自签名证书。申请IP地址SSL证书需满足:1. 使用公网IP;2. 确保外网可访问;3. 认证时必须使用80或443端口。流程包括提交申请、建立临时站点验证URL内容,认证通过后即可获取证书文件,适用于各种服务器环境。若申请多个IP地址,建议一次性提交以避免串站问题。
696 6
|
SQL Java 数据库连接
idea中配置mybatis 映射文件模版及 mybatis plus 自定义sql
idea中配置mybatis 映射文件模版及 mybatis plus 自定义sql
716 3
|
前端开发
css 拉伸 resize —— 实现可拉伸的div(含限制拉伸的尺寸)
css 拉伸 resize —— 实现可拉伸的div(含限制拉伸的尺寸)
1019 1
|
移动开发 JSON 前端开发
HTML5作业(四)-----饼状图和柱状图绘制【附源码】
该实验旨在熟悉HTML5 Canvas绘制图形和表单交互。用户需输入统计数据,程序将依据数据绘制饼状图和柱状图。要求验证用户输入有效性,点击按钮可切换图表类型,图上需显示数据标注。提供的代码包含一个表单用于输入JSON数据,两个绘制函数(drawPieChart、drawBarChart)用于生成饼状图和柱状图,以及输入验证和颜色生成辅助函数。
712 1
|
Ubuntu Shell C++
在Ubuntu18.04上安装ros2的环境,ros2的常用命令:播放包、录制包等
在Ubuntu18.04上安装ros2的环境,ros2的常用命令:播放包、录制包等
1864 1
|
机器学习/深度学习 自然语言处理 搜索推荐
深度学习中的自注意力机制:原理与应用
在深度学习领域,自注意力机制(Self-Attention Mechanism)已经成为一种强大的工具,它允许模型在处理序列数据时更加高效和灵活。本文将深入探讨自注意力机制的工作原理、数学基础以及在不同应用场景下的表现。我们将通过具体案例分析,展示自注意力如何提升神经网络对长距离依赖的捕捉能力,以及它在自然语言处理(NLP)、计算机视觉(CV)等领域的应用成效。
1300 0