Tensorflow lite for 移动端安卓开发（三）——移动端测试自己的模型

2024-05-30 05:58
文章标签 开发 模型 测试 移动 tensorflow lite 端安卓

本文主要是介绍Tensorflow lite for 移动端安卓开发（三）——移动端测试自己的模型，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

Tensorflow-lite官方给的应用是一个摄像头demo,主要由ImageClassifier类和Camera2BasicFragment类构成，ImageClassifier类为一个抽象类，由浮点类和数字量化类两类继承，主要实现读取，模型和预测的功能。Camera2BasicFragment类为碎片类，主要实现摄像头的预览功能。基于项目需要，为了能够在移动端测试model的性能，在原demo的基础上开发了一个测试demo，从移动端本地读取测试集进行预测，将预测结果以txt保存在本地，同时计算每类的精确率和召回率在终端显示，先给出demo效果图。
这里写图片描述
这里写图片描述
第一个图展示的是float模型跑出来的结果,第二个图展示的是量化模型的结果Quant量化模型跑出来的结果精度下降很多。
demo的github代码如下：https://github.com/GeekLee95/TFlite_android_test/tree/master
代码主要由以下四个类构成
这里写图片描述
ImageClassifer类 为抽象类
ImageClassifierFloatInception为浮点型子类，对应的浮点模型为assets资源下的7_float.tflite
ImageClaaifierQuantizedMobileNet为量化型子类，对应的数字量化模型为assets资源下的7.tflite
Mainactivity为主活动，主要涉及读取文件，图片格式转化和模型预测等方法。
output_labels.txt为模型的标签文件。

下面介绍主活动的主要方法。

1). public static void verifyStoragePermissions(Activity activity)
该函数实现动态申请权限，android 6.0以后为了提高系统安全，必须要在程序中动态申请权限
首先在清单文件中配置需要申请的权限，

<manifest xmlns:android="http://schemas.android.com/apk/res/android"package="com.example.liuli.openfiles"><uses-permission android:name="android.permission.MOUNT_UNMOUNT_FILESYSTEM"/><uses-permission android:name="android.permission.WRITE_EXTERNAL_STORAGE"/><uses-permission android:name="android.permission.READ_EXTERNAL_STORAGE"/>

然后再动态申请

public static void verifyStoragePermissions(Activity activity){try{int permission= ActivityCompat.checkSelfPermission(activity,"android.permission.WRITE_EXTERNAL_STORAGE");if(permission!= PackageManager.PERMISSION_DENIED){ActivityCompat.requestPermissions(activity,PERMISSIONS_STORGE,REQUEST_EXTERNAL_STORAGE);}} catch (Exception e){e.printStackTrace();}}

2). private List getImagePath()从本地存储中获取测试图片路径，可以选择内部存储（外置SD卡）和扩展存储卡（TF卡）路径。

private List<String> getImagePath(){List<String> dirpath = getExtSDCardPathList();Log.d("sd_path",dirpath.get(0));Log.d("tf_path",dirpath.get(1));tfpath = dirpath.get(1);List<String> imagePathList = new ArrayList<String>();String filepath = tfpath+ File.separator+"DCIM"+File.separator+"TEST";//String filepath = Environment.getExternalStoragePublicDirectory(Environment.DIRECTORY_PICTURES).toString();//Context context = getApplicationContext(); //获取当前上下文//String filepath = context.getExternalFilesDir("DCIM")+File.separator;//得到该路径文件夹下的所有文件Log.d("filepath",filepath);File fileAll = new File(filepath);boolean result = fileAll.exists();File[] files = fileAll.listFiles();for(int i = 0;i<files.length;i++){File file = files[i];if(checkIsImageFile(file.getPath())){imagePathList.add(file.getPath());}}return imagePathList;}

3). private Bitmap createImageThumbnail(String filePath,int newHeight,int newWidth) 将原始图片缩放成指定大小的bitmap格式，比如mobilenet模型的input_size: 224x224

private Bitmap createImageThumbnail(String filePath,int newHeight,int newWidth){Bitmap bm = BitmapFactory.decodeFile(filePath);float width = bm.getWidth();float height = bm.getHeight();Log.i("old_size:","宽度是"+width+",高度是"+height);Matrix matrix = new Matrix();//计算宽高缩放率float scaleWidth = ((float) newWidth)/width;float scaleHeight = ((float) newHeight)/height;//缩放图片动作matrix.postScale(scaleWidth,scaleHeight);Bitmap bitmap = Bitmap.createBitmap(bm,0,0,(int)width,(int)height,matrix,true);Log.i("new_size:","宽度是"+bitmap.getHeight()+",高度是"+bitmap.getWidth());return bitmap;}

4). private void classifyFrame(List Frames) 进行模型预测

    private void classifyFrame(List<String> Frames){int num = 0;int carlessnum = 0,carlessTP = 0,carlessFP = 0;int carnormalnum = 0,carnormalTP = 0,carnormalFP = 0;int carmorenum = 0,carmoreTP = 0,carmoreFP = 0;//显示待预测图片总数mShownum.setText(Integer.toString(Frames.size()));Log.d("mShownum",Integer.toString(Frames.size()));String resultfilepath = tfpath+ File.separator+"DCIM"+File.separator+"TESTRESULT"+File.separator;for(int i = 0;i<Frames.size();i++){String imagepath = Frames.get(i);Bitmap bitmap = createImageThumbnail(imagepath,classifier.getImageSizeX(),classifier.getImageSizeY());String result = classifier.classifyFrame(bitmap);Log.d("Predict_result"+Integer.toString(i),result);String imagename = imagepath.split("/")[imagepath.split("/").length-1];//将数据保存到本地String resultname = imagename.replace(".jpg",".txt");Log.d("resultname",resultname);writeTxtToFile(result,resultfilepath,resultname);String label = imagename.split("_")[0];Log.d("label"+Integer.toString(i),label);switch (label){case "0":carlessnum++;Log.d("carlessnum",Integer.toString(carlessnum));if(result == classifier.labelList.get(Integer.parseInt(label))){carlessTP++;Log.d("carlessTP",Integer.toString(carlessTP));}break;case "1":carnormalnum++;Log.d("carnormalnum",Integer.toString(carnormalnum));if(result == classifier.labelList.get(Integer.parseInt(label))){carnormalTP++;Log.d("carnormalTP",Integer.toString(carnormalTP));}break;case "2":carmorenum++;Log.d("carmorenum",Integer.toString(carmorenum));if(result == classifier.labelList.get(Integer.parseInt(label))){carmoreTP++;Log.d("carmoreTP",Integer.toString(carmoreTP));}break;}if(result != classifier.labelList.get(Integer.parseInt(label))){switch (result){case "类别1":carlessFP++;break;case "类别2":carnormalFP++;break;case "类别3":carmoreFP++;break;}}if(result == classifier.labelList.get(Integer.parseInt(label))){num++;} else{wrongFrames.add(imagepath+"predict:"+result);}Log.d("图片数：", Integer.toString(i+1));Log.d("正确数：", Integer.toString(num));}float result  = (float)num/(float)Frames.size();mShowResult.setText(Float.toString(result));// 计算每一类的精确率和召回率float carlessrec = (float)Math.round((float)carlessTP/(float)carlessnum*10000)/10000;float carlessacc = (float) Math.round((float)carlessTP/(float)(carlessTP+carlessFP)*10000)/10000;float carnormalrec = (float) Math.round((float)carnormalTP/(float)carnormalnum*10000)/10000;float carnormalacc = (float) Math.round((float)carnormalTP /(float)(carnormalTP+carnormalFP)*10000)/10000;float carmorerec = (float) Math.round((float) carmoreTP/(float)carmorenum*10000)/10000;float carmoreacc = (float) Math.round((float)carmoreTP/(float)(carmoreTP+carmoreFP)*10000)/10000;mShowcarlessacc.setText(Float.toString(carlessacc));mShowcarlessrec.setText(Float.toString(carlessrec));mShowcarlessnum.setText(Integer.toString(carlessnum));mShowcarnormacc.setText(Float.toString(carnormalacc));mShowcarnormrec.setText(Float.toString(carnormalrec));mShowcarnormnum.setText(Integer.toString(carnormalnum));mShowcarmoreacc.setText(Float.toString(carmoreacc));mShowcarmorerec.setText(Float.toString(carmorerec));mShowcarmorenum.setText(Integer.toString(carmorenum));}

后续将会对模型进行改进和完善。

这篇关于Tensorflow lite for 移动端安卓开发（三）——移动端测试自己的模型的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！


http://www.chinasem.cn/article/1015752。

相关文章

Nginx设置连接超时并进行测试的方法步骤

Nginx设置连接超时并进行测试的方法步骤

《Nginx设置连接超时并进行测试的方法步骤》在高并发场景下,如果客户端与服务器的连接长时间未响应,会占用大量的系统资源,影响其他正常请求的处理效率,为了解决这个问题,可以通过设置Nginx的连接... 目录设置连接超时目的操作步骤测试连接超时测试方法：总结：设置连接超时目的设置客户端与服务器之间的连接
阅读更多...
Android 悬浮窗开发示例((动态权限请求 | 前台服务和通知 | 悬浮窗创建 )

Android 悬浮窗开发示例((动态权限请求 | 前台服务和通知 | 悬浮窗创建 )

《Android悬浮窗开发示例((动态权限请求|前台服务和通知|悬浮窗创建)》本文介绍了Android悬浮窗的实现效果,包括动态权限请求、前台服务和通知的使用,悬浮窗权限需要动态申请并引导... 目录一、悬浮窗 动态权限请求1、动态请求权限2、悬浮窗权限说明3、检查动态权限4、申请动态权限5、权限设置完毕后
阅读更多...
0基础租个硬件玩deepseek,蓝耘元生代智算云|本地部署DeepSeek R1模型的操作流程

0基础租个硬件玩deepseek,蓝耘元生代智算云|本地部署DeepSeek R1模型的操作流程

《0基础租个硬件玩deepseek,蓝耘元生代智算云|本地部署DeepSeekR1模型的操作流程》DeepSeekR1模型凭借其强大的自然语言处理能力,在未来具有广阔的应用前景,有望在多个领域发... 目录0基础租个硬件玩deepseek,蓝耘元生代智算云|本地部署DeepSeek R1模型，3步搞定一个应
阅读更多...
Deepseek R1模型本地化部署+API接口调用详细教程(释放AI生产力)

Deepseek R1模型本地化部署+API接口调用详细教程(释放AI生产力)

《DeepseekR1模型本地化部署+API接口调用详细教程(释放AI生产力)》本文介绍了本地部署DeepSeekR1模型和通过API调用将其集成到VSCode中的过程,作者详细步骤展示了如何下载和... 目录前言一、deepseek R1模型与chatGPT o1系列模型对比二、本地部署步骤1.安装oll
阅读更多...
Spring AI Alibaba接入大模型时的依赖问题小结

Spring AI Alibaba接入大模型时的依赖问题小结

《SpringAIAlibaba接入大模型时的依赖问题小结》文章介绍了如何在pom.xml文件中配置SpringAIAlibaba依赖,并提供了一个示例pom.xml文件,同时,建议将Maven仓... 目录（一）pom.XML文件：（二）application.yml配置文件（一）pom.xml文件：首
阅读更多...
如何在本地部署 DeepSeek Janus Pro 文生图大模型

如何在本地部署 DeepSeek Janus Pro 文生图大模型

《如何在本地部署DeepSeekJanusPro文生图大模型》DeepSeekJanusPro模型在本地成功部署,支持图片理解和文生图功能,通过Gradio界面进行交互,展示了其强大的多模态处... 目录什么是 Janus Pro1. 安装 conda2. 创建 python 虚拟环境3. 克隆 janus
阅读更多...
本地私有化部署DeepSeek模型的详细教程

本地私有化部署DeepSeek模型的详细教程

《本地私有化部署DeepSeek模型的详细教程》DeepSeek模型是一种强大的语言模型,本地私有化部署可以让用户在自己的环境中安全、高效地使用该模型,避免数据传输到外部带来的安全风险,同时也能根据自... 目录一、引言二、环境准备（一）硬件要求（二）软件要求（三）创建虚拟环境三、安装依赖库四、获取 Dee
阅读更多...
基于Python开发PPTX压缩工具

基于Python开发PPTX压缩工具

《基于Python开发PPTX压缩工具》在日常办公中,PPT文件往往因为图片过大而导致文件体积过大,不便于传输和存储,所以本文将使用Python开发一个PPTX压缩工具,需要的可以了解下... 目录引言全部代码环境准备代码结构代码实现运行结果引言在日常办公中，PPT文件往往因为图片过大而导致文件体积过大，
阅读更多...
DeepSeek模型本地部署的详细教程

DeepSeek模型本地部署的详细教程

《DeepSeek模型本地部署的详细教程》DeepSeek作为一款开源且性能强大的大语言模型,提供了灵活的本地部署方案,让用户能够在本地环境中高效运行模型,同时保护数据隐私,在本地成功部署DeepSe... 目录一、环境准备（一）硬件需求（二）软件依赖二、安装Ollama三、下载并部署DeepSeek模型选
阅读更多...
使用DeepSeek API 结合VSCode提升开发效率

使用DeepSeek API 结合VSCode提升开发效率

《使用DeepSeekAPI结合VSCode提升开发效率》：本文主要介绍DeepSeekAPI与VisualStudioCode(VSCode)结合使用,以提升软件开发效率,具有一定的参考价值... 目录引言准备工作安装必要的 VSCode 扩展配置 DeepSeek API1. 创建 API 请求文件2.
阅读更多...

Copyright China编程 23002807@qq.com

沪ICP备2023033072号-2