implementation 'org.tensorflow:tensorflow-lite:0.0.0-nightly'
implementation 'org.tensorflow:tensorflow-lite-gpu:0.0.0-nightly'
implementation 'org.tensorflow:tensorflow-lite-support:0.0.0-nightly'

保存更改并构建应用程序。如果收到有关所需NDK版本不存在的错误，请参阅本系列的第1部分。如果应用程序生成，则对build.gradle进行其他更改。在“Android”部分中，必须添加一个设置以指示Android Studio不压缩.tflite文件。在文件的android部分中，添加以下行：

aaptOptions {noCompress "tflite"
}

该.tflite文件将进入项目的“assets”文件夹中。该文件夹在新项目中不存在。您可以在apps/src/main中的项目中创建文件夹。

<?xml version="1.0" encoding="utf-8"?>
<androidx.constraintlayout.widget.ConstraintLayout xmlns:android="http://schemas.android.com/apk/res/android"xmlns:app="http://schemas.android.com/apk/res-auto"xmlns:tools="http://schemas.android.com/tools"android:layout_width="match_parent"android:layout_height="match_parent"tools:context=".MainActivity"><ImageViewandroid:id="@+id/selectedImageView"android:layout_width="match_parent"android:layout_height="match_parent"android:layout_marginBottom="64dp"app:layout_constraintBottom_toBottomOf="parent"app:layout_constraintEnd_toEndOf="parent"app:layout_constraintStart_toStartOf="parent"app:layout_constraintTop_toTopOf="parent" /><Buttonandroid:id="@+id/selectImageButton"android:text="@string/button_select_image"android:layout_width="wrap_content"android:layout_height="wrap_content"android:layout_marginTop="8dp"app:layout_constraintEnd_toEndOf="parent"app:layout_constraintStart_toStartOf="parent"app:layout_constraintTop_toBottomOf="@+id/selectedImageView" />
</androidx.constraintlayout.widget.ConstraintLayout>

在文件MainActivity.java中，我们添加执行代码。要从此代码引用图像视图，请添加一个名为selectedImageView的字段。

ImageView selectedImageView;

在onCreate()中，在setContentView()后面添加一行代码，将加载的ImageView的实例分配给selectedImageView。

@Override
protected void onCreate(Bundle savedInstanceState) {super.onCreate(savedInstanceState);setContentView(R.layout.activity_main);selectedImageView = findViewById(R.id.selectedImageView);
}

在布局中定义的按钮将触发打开图像选择器的函数。

final int SELECT_PICTURE = 1;
public void onSelectImageButtonClicked(View view) {Intent intent = new Intent(Intent.ACTION_GET_CONTENT);intent.setType("image/*");Intent chooser = Intent.createChooser(intent, "Choose a Picture");startActivityForResult(chooser, SELECT_PICTURE);
}

当用户激活此函数时，系统的图像选择器将打开。用户选择图像后，控制权返回给应用程序。要检索选择，活动必须实现方法onActivityResult()。所选图像的URI在传递给此方法的数据对象内。

public void onActivityResult (int reqCode, int resultCode, Intent data) {super.onActivityResult(reqCode, resultCode, data);if (resultCode == RESULT_OK) {if (reqCode == SELECT_PICTURE) {Uri selectedUri = data.getData();String fileString = selectedUri.getPath();selectedImageView.setImageURI(selectedUri);}}
}

activity_main.xml中定义的按钮尚未附加到任何代码。将以下行添加到按钮的定义：

android:onClick="onSelectImageButtonClicked"

如果立即运行该应用程序，您将看到它能够加载和显示图像。我们想将此图像通过TensorFlow解释器传递。让我们为此准备好代码。YOLO算法有多种实现方式。我在这里使用的那个期望图像被分为13列和13行。此网格内的每个单位均为32x32像素。输入图像将为416x416像素（13 * 32 = 416）。这些值在添加到MainActivity.java的常量中表示。还添加了一个常量，用于保存要加载的.tflite文件的名称，以及一个用于保存TensorFlow Lite解释器的变量。

final String TF_MODEL_NAME = "yolov4.tflite";
final int IMAGE_SEGMENT_ROWS = 13;
final int IMAGE_SEGMENT_COLS = 13;
final int IMAGE_SEGMENT_WIDTH = 32;
final int IMAGE_SEGMENT_HEIGHT = 32;
final int IMAGE_WIDTH = IMAGE_SEGMENT_COLS * IMAGE_SEGMENT_WIDTH; //416
final int IMAGE_HEIGHT = IMAGE_SEGMENT_ROWS * IMAGE_SEGMENT_HEIGHT; //416Interpreter tfLiteInterpreter;

有几种调整图像大小的选项。我将使用TensorFlow ImageProcessor。ImageProcessor带有我们要应用于图像的操作列表。当给定TensorImage时，ImageProcessor将在图像上执行这些操作，并返回一个新的TensorImage准备进行进一步处理。

void processImage(Bitmap sourceImage) {ImageProcessor imageProcessor =new ImageProcessor.Builder().add(new ResizeOp(IMAGE_HEIGHT, IMAGE_WIDTH, ResizeOp.ResizeMethod.BILINEAR)).build();TensorImage tImage = new TensorImage(DataType.FLOAT32);tImage.load(sourceImage);tImage = imageProcessor.process(tImage);//...
}

我们需要使用我们的模型初始化TensorFlow Lite解释器，以便它可以处理该图像。Interpreter类的构造函数接受一个包含模型的字节缓冲区和一个包含要应用于Interpreter实例的选项的对象。对于这些选项，我们添加了一个GPU委托和一个NNAPI委托。如果设备具有用于加速某些操作的兼容硬件，则在运行TF解释器时将使用该硬件。

void prepareInterpreter() throws IOException {if(tfLiteInterpreter == null) {GpuDelegate gpuDelegage = new GpuDelegate();Interpreter.Options options = new Interpreter.Options();options.addDelegate(gpuDelegage);//Only add the NNAPI delegate of this were build for Android P or later.if(Build.VERSION.SDK_INT >= Build.VERSION_CODES.P) {NnApiDelegate nnApiDelegate = new NnApiDelegate();options.addDelegate(nnApiDelegate);}MappedByteBuffer tfLiteModel = FileUtil.loadMappedFile(this, TF_MODEL_NAME);tfLiteInterpreter = new Interpreter(tfLiteModel, options);}
}

您可能还记得张量通常表示为数组。在processImage函数中，创建了一些缓冲区以接收来自网络模型的输出。

float[][][][][] buf0 = new float[1][52][52][3][85];
float[][][][][] buf1 = new float[1][26][26][3][85];
float[][][][][] buf2 = new float[1][13][13][3][85];

这些多维数组一开始可能看起来有些吓人。如何处理这些数组中的数据？

//...
HashMap<Integer, Object> outputBuffers = new HashMap<Integer, Object>();
outputBuffers.put(0, buf0);
outputBuffers.put(1, buf1);
outputBuffers.put(2, buf2);tfLiteInterpreter.runForMultipleInputsOutputs(new Object[]{tImage.getBuffer()}, outputBuffers);

执行YOLO神经网络的行是runForMultipleInputsOutputs()。如果只有一个输入和输出，则将使用名为run()的函数的调用。结果存储在第二个参数中传递的数组中。

00: 0.32  01: 0.46   02: 0.71   03: 0.46

前四个数字是用于匹配以及宽度和高度的X和Y坐标。值从-1到1缩放。必须将它们调整为0到416才能将它们转换为像素尺寸。

12: 0.00   13: 0.00   14: 0.00   15: 0.00
16: 0.00   17: 0.00   18: 0.00   19: 0.91
20: 0.00   21: 0.00   22: 0.00   23: 0.00

00: person        01: bicycle       02: car          03: motorbike
04: airplane      05: bus           06: train        07: truck
08: boat          09: traffic light 10: fire hydrant 11: stop sign
12: parking meter 13: bench         14: bird         15: cat
16: dog           17: horse         18: sheep

在这种情况下，程序已识别出一只鸟。