【免费教学】在嵌入式中使用 TensorFlow Lite

第一期中，分享了 TensorFlow Lite 的一些基本知识。今天与大家分享 Android 平台上的一些 TensorFlow Lite 应用，先来一起看看视频吧：

TensorFlow Lite 在安卓中的应用

视频中的 App 用了一个叫 MobileNet 的模型。这个模型的特点是体积小、速度快（延迟低）、能耗低。这个模型包含的应用场景有：

• 目标识别（地图 App 和 Google Lens 可能会用到）
• 脸部追踪（相机和美颜应用）
• 精细分类
• 路标识别

模型的下载地址是： https://github.com/tensorflow/tensorflow/blob/master/tensorflow/contrib/lite/g3doc/models.md

在上述链接下载一个 Mobilenet_1.0_224 的模型包，里面包括了：

• labels.txt 标识文件（模型训练的标识）
• mobilenet_v1_0.75_224.tflite 文件（直接在 TF Lite 运行即可）

具体的开发

声明依赖

第一步就是在项目的 Gradle 文件中加入 org.tensorflow:tensorflow-lite:+ 这样一个依赖。

引入解释器

然后，在你的代码中需要引入解释器：

import org.tensorflow.lite.Interpreter;

这个解释器可以装载和运行模型，具体原理参照第一期的内容。

使用 App Assets 来加载模型

虽然你可以从任何地方来加载模型，但是更推荐你用App assets 来存储。

手把手教你开发

物体识别：

• 第一课：人工智能在嵌入式中的机会
• 第二课：开发机器学习app前的准备工作
• 第三课：把tensorflow，模型和测试数据导入Android工程
• 第四课：模型的使用
• 第五课：推理结果的可视化

模型训练：

• 1.训练模型之准备工作
• 2.训练模型之运行一个demo
• 3.训练模型之在GPU上训练的环境安装
• 4.训练模型之准备训练数据
• 5.训练模型之利用训练的模型识别物体

总结和经验

首先 App 会从照相机读取每一帧, 并把帧变成图片，然后用这些图片作为这个模型的输入，模型计算后会输出一个指引，这个指引指向一个标识和对应到标识的可能性。这个模型计算的过程属于黑盒计算的过程。

到这里你应该学会如何在嵌入式端利用 tensorflow 开发一款自己的app了，是不是想迫不及待地试一试了，赶快行动把你的经验也分享出来吧，欢迎留言一起讨论学习！

部分内容摘自tensorflow公众号.