TensorFlow.js让AI模型可以在浏览器中直接运行，无需后端。本文将使用PoseNet模型实现人体姿态估计。
首先，在HTML中引入TensorFlow.js和PoseNet库。可以通过CDN或npm安装。创建摄像头视频流，使用getUserMedia获取用户摄像头权限，显示在video元素中。
加载模型：const net = await posenet.load({architecture: 'MobileNetV1', outputStride: 16, inputResolution: 257, multiplier: 0.75})。参数影响速度和精度，可根据需求调整。
实时检测：在requestAnimationFrame循环中，调用net.estimateSinglePose(video, {flipHorizontal: false})。返回结果包含17个关键点坐标和置信度。过滤低置信度点，绘制骨架连接线。
性能优化：降低输入分辨率或使用更小的模型版本（如MobileNetV1的multiplier设为0.5）。使用Web Worker或OffscreenCanvas避免阻塞主线程。注意移动端设备性能有限，可降低帧率。
应用扩展：除了姿态估计，还可以实现动作识别、摔倒检测、手势控制等。结合three.js或Canvas绘制3D效果。
注意事项：TFLite模型在浏览器中运行，但需要浏览器支持WebGL。部分老设备可能无法运行。建议提供降级方案。
本案例展示了前端AI的潜力，你可以将模型替换为其他TensorFlow.js支持的模型，如人脸检测、物体识别等。