本文主要是介绍Android安卓麻将识别源码Demo（ 三），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！
Android安卓麻将识别源码Demo（ 三）
未经过允许不得转载，转载请联系我，如何联系，点我头像。
连载已经完结,
百度网盘测试APP下载地址：
链接：https://pan.baidu.com/s/1grwUcLkI9i3OABsLtB5h3Q
提取码：pkbl
先见效果图，另外我已经上传到了抖音视频，想看NB效果，可以点击链接直接观看：
http://v.douyin.com/roLnjL/
本人从事机器学习有一些时间，感觉与一般做APP应用也没有啥差别，现在每天就是准备样本 ，调整参数，训练，验证结果。可能是我还没有达到哪些教授的水平能设计神经网络吧，感觉也就是一般马龙该做的杂七杂八事情。另外我更加关注移动设备AI的实现与效果，体验一样重要，识别的速度要快！
接下来的博客开始记录我研究过程，过程是：采集样本->标注->训练->测试。
上一期讲了如何进行标注，本期将开始训练。
本次使用的是谷歌云平台训练，实际上就是一个ubuntu 系统，不过现在有免费的300美金使用。部署好服务器后。将训练的文件上传到云服务器。需要的文件有这些。
然后执行训练
python object_detection/model_main.py --model_dir=/home/softboyes/digeai/majiang/training --pipeline_config_path=/home/softboyes/digeai/majiang/ssd_mobilenet_v1_pets.config由于我使用的8cpu+20G内存 训练36小时训练了34k 步法。
通过tensorboard观察，loss效果不太理想打算训练到60k。
下载后导出模型：
python object_detection/export_inference_graph.py --input_type image_tensor --pipeline_config_path E:/AI_LAB/majiang/gitdata/ssd_mobilenet_v1_pets.config --trained_checkpoint_prefix E:/AI_LAB/majiang/gitdata/out/model.ckpt-24720 --output_directory E:/AI_LAB/majiang/gitdata/export2导出后模型如下：并写下测试test.py
import os
import sys
import tarfileimport cv2
import numpy as np
import tensorflow as tfsys.path.append("..")
from object_detection.utils import label_map_util
from object_detection.utils import visualization_utils as vis_util# Path to frozen detection graph
CWD_PATH = os.getcwd()PATH_TO_CKPT = os.path.join(CWD_PATH,'frozen_inference_graph.pb')# List of the strings that is used to add correct label for each box.PATH_TO_LABELS = os.path.join(CWD_PATH,'labelmap.pbtxt')NUM_CLASSES = 28detection_graph = tf.Graph()with detection_graph.as_default():od_graph_def = tf.GraphDef()with tf.gfile.GFile(PATH_TO_CKPT, 'rb') as fid:serialized_graph = fid.read()od_graph_def.ParseFromString(serialized_graph)tf.import_graph_def(od_graph_def, name='')label_map = label_map_util.load_labelmap(PATH_TO_LABELS)categories = label_map_util.convert_label_map_to_categories(label_map, max_num_classes=NUM_CLASSES, use_display_name=True)category_index = label_map_util.create_category_index(categories)def load_image_into_numpy_array(image):(im_width, im_height) = image.sizereturn np.array(image.getdata()).reshape((im_height, im_width, 3)).astype(np.uint8)with detection_graph.as_default():with tf.Session(graph=detection_graph) as sess:image_np = cv2.imread("test.jpg")cv2.imshow("input", image_np)print(image_np.shape)# image_np == [1, None, None, 3]image_np_expanded = np.expand_dims(image_np, axis=0)image_tensor = detection_graph.get_tensor_by_name('image_tensor:0')boxes = detection_graph.get_tensor_by_name('detection_boxes:0')scores = detection_graph.get_tensor_by_name('detection_scores:0')classes = detection_graph.get_tensor_by_name('detection_classes:0')num_detections = detection_graph.get_tensor_by_name('num_detections:0')# Actual detection.(boxes, scores, classes, num_detections) = sess.run([boxes, scores, classes, num_detections],feed_dict={image_tensor: image_np_expanded})# Visualization of the results of a detection.vis_util.visualize_boxes_and_labels_on_image_array(image_np,np.squeeze(boxes),np.squeeze(classes).astype(np.int32),np.squeeze(scores),category_index,use_normalized_coordinates=True,min_score_thresh=0.4,line_thickness=3)cv2.imshow('object detection', image_np)cv2.imwrite("run_result.png", image_np)cv2.waitKey(0)cv2.destroyAllWindows()sess.close()
测试模型，发现效果还算理想。接下来往安卓设备上面迁移。
迁移需要的问题： frozen_inference_graph.pb labelmap.pbtxt
拷贝到TensorFlow demo里面assert 文件夹。修改 DetectorActivity
修改后：
private static final String TF_OD_API_MODEL_FILE ="file:///android_asset/frozen_inference_graph.pb";private static final String TF_OD_API_LABELS_FILE = "file:///android_asset/majiang.txt";然后用Android studio编译生成APK，然后安装到安卓手机。
下一章讲安卓手机效果与训练心得以及样本要求。
这篇关于Android安卓麻将识别源码Demo（ 三）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！
