原文博客：Doi技术团队
链接地址：https://blog.doiduoyi.com/authors/1584446358138
初心：记录优秀的Doi技术团队学习经历
本文链接：基于MNN在Android手机上实现图像分类

前言

MNN是一个轻量级的深度神经网络推理引擎，在端侧加载深度神经网络模型进行推理预测。目前，MNN已经在阿里巴巴的手机淘宝、手机天猫、优酷等20多个App中使用，覆盖直播、短视频、搜索推荐、商品图像搜索、互动营销、权益发放、安全风控等场景。此外，IoT等场景下也有若干应用。

下面就介绍如何使用MNN在Android设备上实现图像分类。

教程源码地址：https://github.com/yeyupiaoling/ClassificationForAndroid/blob/master/MNNClassification

编译库和转换模型

编译MNN的Android动态库

在 https://developer.android.com/ndk/downloads/下载安装NDK，建议使用最新稳定版本
在 .bashrc 或者 .bash_profile 中设置 NDK 环境变量，例如：export ANDROID_NDK=/Users/username/path/to/android-ndk-r14b
cd /path/to/MNN
./schema/generate.sh
cd project/android
编译armv7动态库：mkdir build_32 && cd build_32 && ../build_32.sh
编译armv8动态库：mkdir build_64 && cd build_64 && ../build_64.sh

模型转换

执行下面命令，得到模型转换工具MNNConvert。

cd MNN/
./schema/generate.sh
mkdir build
cd build
cmake .. -DMNN_BUILD_CONVERTER=true && make -j4

通过以下命令可以把其他框架的模型转换为MNN模型。

TensorFlow -> MNN

把Tensorflow的冻结图模型转换为MNN模型，bizCode指定标记码，这个随便吧。如果冻结图转换不成功，可以使用下面的Tensorflow Lite模型，这个通常会成功。

./MNNConvert -f TF --modelFile XXX.pb --MNNModel XXX.mnn --bizCode biz

TensorFlow Lite -> MNN

把Tensorflow Lite的模型转换为MNN模型，bizCode指定标记码。

./MNNConvert -f TFLITE --modelFile XXX.tflite --MNNModel XXX.mnn --bizCode biz

Caffe -> MNN

把Caffe的模型转换为MNN模型，bizCode指定标记码。

./MNNConvert -f CAFFE --modelFile XXX.caffemodel --prototxt XXX.prototxt --MNNModel XXX.mnn --bizCode biz

ONNX -> MNN

把ONNX 的模型转换为MNN模型，bizCode指定标记码。

./MNNConvert -f ONNX --modelFile XXX.onnx --MNNModel XXX.mnn --bizCode biz

Android应用开发

把生成的C++的头文件放在app/include/MNN/目录下，把生成的动态库文件放在app/src/main/jniLibs/目录下，在app/src/main/cpp/目录下编写JNI的C++代码，com.yeyupiaoling.mnnclassification.mnn包下放JNI的java代码和MNN的相关工具类，将转换的模型放在assets目录下。

MNN工具

编写一个MNNClassification.java工具类，关于MNN的操作都在这里完成，如加载模型、预测。在构造方法中，通过参数传递的模型路径加载模型，在加载模型的时候配置预测信息，例如是否使用CPU或者GPU，同时获取网络的输入输出层。同时MNN还提供了很多的图像预处理工具，对图像的预处理非常简单。要注意的是图像的均值dataConfig.mean和标准差dataConfig.normal，还有图片的输入通道顺序dataConfig.dest，因为在训练的时候图像预处理可能不一样的，有些读者出现在电脑上准确率很高，但在手机上准确率很低，多数情况下就是这个图像预处理做得不对。

public MNNClassification(String modelPath) throws Exception {dataConfig = new MNNImageProcess.Config();dataConfig.mean = new float[]{128.0f, 128.0f, 128.0f};dataConfig.normal = new float[]{0.0078125f, 0.0078125f, 0.0078125f};dataConfig.dest = MNNImageProcess.Format.RGB;imgData = new Matrix();File file = new File(modelPath);if (!file.exists()) {throw new Exception("model file is not exists!");}try {mNetInstance = MNNNetInstance.createFromFile(modelPath);MNNNetInstance.Config config = new MNNNetInstance.Config();config.numThread = NUM_THREADS;config.forwardType = MNNForwardType.FORWARD_CPU.type;mSession = mNetInstance.createSession(config);mInputTensor = mSession.getInput(null);} catch (Exception e) {e.printStackTrace();throw new Exception("load model fail!");}
}

为了兼容图片路径和Bitmap格式的图片预测，这里创建了两个重载方法，它们都是通过调用predict()

public int predictImage(String image_path) throws Exception {if (!new File(image_path).exists()) {throw new Exception("image file is not exists!");}FileInputStream fis = new FileInputStream(image_path);Bitmap bitmap = BitmapFactory.decodeStream(fis);int result = predictImage(bitmap);if (bitmap.isRecycled()) {bitmap.recycle();}return result;
}public int predictImage(Bitmap bitmap) throws Exception {return predict(bitmap);
}

这里创建一个获取最大概率值，并把下标返回的方法，其实就是获取概率最大的预测标签。

public static int getMaxResult(float[] result) {float probability = 0;int r = 0;for (int i = 0; i < result.length; i++) {if (probability < result[i]) {probability = result[i];r = i;}}return r;
}

这个方法就是MNN执行预测的最后一步，通过执行mSession.run()对输入的数据进行预测并得到预测结果，通过解析获取到最大的概率的预测标签，并返回。到这里MNN的工具就完成了。

private float[] predict(Bitmap bmp) throws Exception {imgData.reset();imgData.postScale(inputWidth / (float) bmp.getWidth(), inputHeight / (float) bmp.getHeight());imgData.invert(imgData);MNNImageProcess.convertBitmap(bmp, mInputTensor, dataConfig, imgData);try {mSession.run();} catch (Exception e) {throw new Exception("predict image fail! log:" + e);}MNNNetInstance.Session.Tensor output = mSession.getOutput(null);float[] result = output.getFloatData();Log.d(TAG, Arrays.toString(result));int l = getMaxResult(result);return new float[]{l, result[l]};
}

选择图片预测

本教程会有两个页面，一个是选择图片进行预测的页面，另一个是使用相机实时预测并显示预测结果。以下为activity_main.xml的代码，通过按钮选择图片，并在该页面显示图片和预测结果。

<?xml version="1.0" encoding="utf-8"?>
<RelativeLayout 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"android:orientation="vertical"tools:context=".MainActivity"><ImageViewandroid:id="@+id/image_view"android:layout_width="match_parent"android:layout_height="400dp" /><TextViewandroid:id="@+id/result_text"android:layout_width="match_parent"android:layout_height="wrap_content"android:layout_below="@id/image_view"android:text="识别结果"android:textSize="16sp" /><LinearLayoutandroid:layout_width="match_parent"android:layout_height="wrap_content"android:layout_alignParentBottom="true"android:orientation="horizontal"><Buttonandroid:id="@+id/select_img_btn"android:layout_width="0dp"android:layout_height="wrap_content"android:layout_weight="1"android:text="选择照片" /><Buttonandroid:id="@+id/open_camera"android:layout_width="0dp"android:layout_height="wrap_content"android:layout_weight="1"android:text="实时预测" /></LinearLayout></RelativeLayout>

在MainActivity.java中，进入到页面我们就要先加载模型，我们是把模型放在Android项目的assets目录的，我们需要把模型复制到一个缓存目录，然后再从缓存目录加载模型，同时还有读取标签名，标签名称按照训练的label顺序存放在assets的label_list.txt，以下为实现代码。

classNames = Utils.ReadListFromFile(getAssets(), "label_list.txt");
String classificationModelPath = getCacheDir().getAbsolutePath() + File.separator + "mobilenet_v2.mnn";
Utils.copyFileFromAsset(MainActivity.this, "mobilenet_v2.mnn", classificationModelPath);
try {mnnClassification = new MNNClassification(classificationModelPath);Toast.makeText(MainActivity.this, "模型加载成功！", Toast.LENGTH_SHORT).show();
} catch (Exception e) {Toast.makeText(MainActivity.this, "模型加载失败！", Toast.LENGTH_SHORT).show();e.printStackTrace();finish();
}

添加两个按钮点击事件，可以选择打开相册读取图片进行预测，或者打开另一个Activity进行调用摄像头实时识别。

Button selectImgBtn = findViewById(R.id.select_img_btn);
Button openCamera = findViewById(R.id.open_camera);
imageView = findViewById(R.id.image_view);
textView = findViewById(R.id.result_text);
selectImgBtn.setOnClickListener(new View.OnClickListener() {@Overridepublic void onClick(View v) {// 打开相册Intent intent = new Intent(Intent.ACTION_PICK);intent.setType("image/*");startActivityForResult(intent, 1);}
});
openCamera.setOnClickListener(new View.OnClickListener() {@Overridepublic void onClick(View v) {// 打开实时拍摄识别页面Intent intent = new Intent(MainActivity.this, CameraActivity.class);startActivity(intent);}
});

当打开相册选择照片之后，回到原来的页面，在下面这个回调方法中获取选择图片的Uri，通过Uri可以获取到图片的绝对路径。如果Android8以上的设备获取不到图片，需要在AndroidManifest.xml配置文件中的application添加android:requestLegacyExternalStorage="true"。拿到图片路径之后，调用TFLiteClassificationUtil类中的predictImage()方法预测并获取预测值，在页面上显示预测的标签、对应标签的名称、概率值和预测时间。

@Override
protected void onActivityResult(int requestCode, int resultCode, @Nullable Intent data) {super.onActivityResult(requestCode, resultCode, data);String image_path;if (resultCode == Activity.RESULT_OK) {if (requestCode == 1) {if (data == null) {Log.w("onActivityResult", "user photo data is null");return;}Uri image_uri = data.getData();image_path = getPathFromURI(MainActivity.this, image_uri);try {// 预测图像FileInputStream fis = new FileInputStream(image_path);imageView.setImageBitmap(BitmapFactory.decodeStream(fis));long start = System.currentTimeMillis();float[] result = mnnClassification.predictImage(image_path);long end = System.currentTimeMillis();String show_text = "预测结果标签：" + (int) result[0] +"\n名称：" +  classNames[(int) result[0]] +"\n概率：" + result[1] +"\n时间：" + (end - start) + "ms";textView.setText(show_text);} catch (Exception e) {e.printStackTrace();}}}
}

上面获取的Uri可以通过下面这个方法把Url转换成绝对路径。

// get photo from Uri
public static String getPathFromURI(Context context, Uri uri) {String result;Cursor cursor = context.getContentResolver().query(uri, null, null, null, null);if (cursor == null) {result = uri.getPath();} else {cursor.moveToFirst();int idx = cursor.getColumnIndex(MediaStore.Images.ImageColumns.DATA);result = cursor.getString(idx);cursor.close();}return result;
}

摄像头实时预测

在调用相机实时预测我就不再介绍了，原理都差不多，具体可以查看https://github.com/yeyupiaoling/ClassificationForAndroid/tree/master/TFLiteClassification中的源代码。核心代码如下，创建一个子线程，子线程中不断从摄像头预览的AutoFitTextureView上获取图像，并执行预测，并在页面上显示预测的标签、对应标签的名称、概率值和预测时间。每一次预测完成之后都立即获取图片继续预测，只要预测速度够快，就可以看成实时预测。

private Runnable periodicClassify =new Runnable() {@Overridepublic void run() {synchronized (lock) {if (runClassifier) {// 开始预测前要判断相机是否已经准备好if (getApplicationContext() != null && mCameraDevice != null && mnnClassification != null) {predict();}}}if (mInferThread != null && mInferHandler != null && mCaptureHandler != null && mCaptureThread != null) {mInferHandler.post(periodicClassify);}}};// 预测相机捕获的图像
private void predict() {// 获取相机捕获的图像Bitmap bitmap = mTextureView.getBitmap();try {// 预测图像long start = System.currentTimeMillis();float[] result = mnnClassification.predictImage(bitmap);long end = System.currentTimeMillis();String show_text = "预测结果标签：" + (int) result[0] +"\n名称：" +  classNames[(int) result[0]] +"\n概率：" + result[1] +"\n时间：" + (end - start) + "ms";textView.setText(show_text);} catch (Exception e) {e.printStackTrace();}
}

本项目中使用的了读取图片的权限和打开相机的权限，所以不要忘记在AndroidManifest.xml添加以下权限申请。

<uses-permission android:name="android.permission.CAMERA"/>
<uses-permission android:name="android.permission.READ_EXTERNAL_STORAGE"/>
<uses-permission android:name="android.permission.WRITE_EXTERNAL_STORAGE"/>

如果是Android 6 以上的设备还要动态申请权限。

    // check had permissionprivate boolean hasPermission() {if (Build.VERSION.SDK_INT >= Build.VERSION_CODES.M) {return checkSelfPermission(Manifest.permission.CAMERA) == PackageManager.PERMISSION_GRANTED &&checkSelfPermission(Manifest.permission.READ_EXTERNAL_STORAGE) == PackageManager.PERMISSION_GRANTED &&checkSelfPermission(Manifest.permission.WRITE_EXTERNAL_STORAGE) == PackageManager.PERMISSION_GRANTED;} else {return true;}}// request permissionprivate void requestPermission() {if (Build.VERSION.SDK_INT >= Build.VERSION_CODES.M) {requestPermissions(new String[]{Manifest.permission.CAMERA,Manifest.permission.READ_EXTERNAL_STORAGE,Manifest.permission.WRITE_EXTERNAL_STORAGE}, 1);}}

效果图：

基于MNN在Android手机上实现图像分类相关推荐

基于Tensorflow2 Lite在Android手机上实现图像分类
前言 Tensorflow2之后,训练保存的模型也有所变化,基于Keras接口搭建的网络模型默认保存的模型是h5格式的,而之前的模型格式是pb.Tensorflow2的h5格式的模型转换成tflite ...
基于Tensorflow2 Lite在Android手机上实现时间序列温度预测（二）
前言 Tensorflow2之后,训练保存的模型也有所变化,基于Keras接口搭建的网络模型默认保存的模型是h5格式的,而之前的模型格式是pb.Tensorflow2的h5格式的模型转换成tflite ...
如何在Android手机上进行Google Map的开发。
1.题记提起谷歌Map相信大家都不会陌生,那进入我们今天的话题,如何在Android手机上进行Google Map的开发. 2.Map应用程序的开发 2.1 准备工作 2.1.1 申请Android ...
您可以在Windows PC或Android手机上使用iMessage吗？
Denys Prykhodov/Shutterstock.comDenys Prykhodov / Shutterstock.com Want iMessage for Android or Wind ...
Android 手机上安装并运行 Ubuntu 12.04
Android 手机上安装并运行 Ubuntu 12.04 2012 年 8 月 16 日 by DawnDIY in Android | 7 Comments Android 是基于Linu ...
如何在 Android 手机上实现抓包？
如何在 Android 手机上实现抓包? http://www.zhihu.com/question/20467503 我想知道某个应用究竟在数据提交到哪里,提交了什么. 网上的教程太复杂,不想麻烦. ...
android手机进行android开发,如何在Android手机上进行自动化测试（上）
版权声明:允许转载,但转载必须保留原链接:请勿用作商业或者非法用途前言通过阅读本节教程,你将了解到以下内容: 如何在脚本代码中.运行脚本时指定手机如何填写--device Android:/// ...
unity3d shader编程中GrabPass 在某些android手机上失效的解决方案
unity3d shader编程中GrabPass 在某些android手机上失效的解决方案参考文章: (1)unity3d shader编程中GrabPass 在某些android手机上失效的解决 ...
android 如何打开s3db,[转载]xe5 android 手机上使用sqlite
本篇我们介绍一下在android手机上怎样使用sqlite数据库,这里用Navigator实现增删改查. 1.新建firemonkey mobile application 2.选择blank ap ...

基于MNN在Android手机上实现图像分类

前言