龙空技术网

Android端运行Tensorflow的demo去分类自己的数据集

爱音乐的程序员小新人 200

前言:

当前看官们对“netdataset读取数据类型”大约比较重视,姐妹们都想要了解一些“netdataset读取数据类型”的相关资讯。那么小编在网上收集了一些有关“netdataset读取数据类型””的相关内容,希望小伙伴们能喜欢,同学们快快来了解一下吧!

毕业设计用到了tensorflow, 最近在看其github库时发现tf 可以在手机上运行。 官方的链接

于是就按照官方的教程用Bazel 编译 Tensorflow 环境,并参考这一篇教程, 训练一个分类自己数据集合的模型(fine tuning Inception net)并把它部署在了安卓手机上。

结果如下:

下面我会介绍下如何实现此操作。

实验环境

Ubuntu 16.04 LTS (Win10 也可以,但前提是Bazel 要成功地安装,并且版本在4.5以上)

Tensorflow 1.0 (此时的tf版本已经更新到了1.2)

安卓手机(魅族)

配置环境

1,安装Bazel

这个可以参考官方教程。Ubuntu 安装Bazel 很方便, 但建议先安装和配置Java

1.1 安装Java 8 你可以参考这个教程

1.2 以此执行如下命令:

echo "deb [arch=amd64]  stable jdk1.8" | sudo tee /etc/apt/sources.list.d/bazel.listcurl  | sudo apt-key add -sudo apt-get update && sudo apt-get install bazelsudo apt-get upgrade bazel

注意一定要注意Bazel 的版本. 输入 bazel version 去检验。

2, 下载Tensorflow源码和 Android studio 以及 Android ndk, 运行官方的demo

2.1 下载tensorflow (事先安装好git工具,否则 cmd 输入 sudo apt-get install git )

cmd下输入

git clone 

注意用 git checkout origin/r1.0 切换到版本1.0 (也可以不执行此操作但是有一点不同的地方,在文章末尾指明)

2.2 下载 Android studio 和Android ndk

注意sdk 的版本要在23.0.3以上,最好是24或 25。 (最新的是25.0.3)用Android studio 里面自带的 SDK manager 更新下SDK的版本。

ndk 可以到官方网站下载。 以下是下载结果。下载后解压。

2.3 配置tensorflow代码根目录下的 WORKSPACE文件

取消注释,修改你对应的sdk和ndk的版本号以及path

# Uncomment and update the paths in these entries to build the Android demo.android_sdk_repository( name = "androidsdk", api_level = 25, build_tools_version = "25.0.3", # Replace with path to Android SDK on your system path = "/home/lxt-bupt/Android/Sdk", #)#android_ndk_repository( name="androidndk", path="/home/lxt-bupt/Android/android-ndk-r12b",# api_level=21)

3 用Bazel 编译Tensorflow 的Android 环境在编译之前,先下载和解压 demo的model文件(Imagenet dataset训练出来的)

curl -L  -o /tmp/inception5h.zipcurl -L  -o /tmp/mobile_multibox_v1.zipunzip /tmp/inception5h.zip -d tensorflow/examples/android/assets/unzip /tmp/mobile_multibox_v1.zip -d tensorflow/examples/android/assets/

然后运行

bazel build -c opt //tensorflow/examples/android:tensorflow_demo

运行时报protocol 的错误时,运行 git submodule update --init 命令,重新编译。

这个编译时间很长,期间会出现很多的warning 如果成功的话,会得出如下结果。

此时在tensorflow代码根目录/bazel-bin/tensorflow/examples/android下,会有 tensorflow_demo.apk 此时可以把该文件移动到手机上安装,

会有3个app 生成如下图, 这3个app就是tensorflow 官方的demo。分别用于分类,检测,和更改图片的风格。

3,用自己的数据finetuning Inception模型。

1,准备自己的数据。

自己的数据集有5个类别, 可乐,雪碧,芬达,农夫山泉,怡宝, 新建立一个data目录

2,Bazel 编译retrain 模块

在根目录下输入:

bazel build tensorflow/examples/image_retraining:retrain

编译时间很长,耐心等待, 注意可能要安装一些Python的依赖库numpy mock 等等

3, 训练自己的模型

在tensorflow根目录下新建model目录(存放训练后的模型)和retrain_logs目录(记录训练过程,以便于用tensorboard可视化),接着输入如下命令:

note: 还有其他的参数可以选择,可以看 tensorflow/examples/image_retraining/retrain.py 文件中有哪些可以选取.

bazel-bin/tensorflow/examples/image_retraining/retrain\ --bottleneck_dir=./model/bottlenecks \ --how_many_training_steps 4000 \ --model_dir=./model/inception \ --output_graph=./model/retrained_graph.pb \ --output_labels=./model/retrained_labels.txt \ --image_dir ./data/ \ --summaries_dir ./retrain_logs/

开始了训练过程(先创建bottlenecks,再开始训练4000次迭代,注意图片格式是jpeg,否则会报错)

训练完毕后会在model目录下有retrained_graph.pb (模型) 和 retrain_labels.txt (标签) 两个文件

4,优化和测试模型

必须要进行如下build操作, 在根目录依次输入如下Bazel命令: (依然是漫长的等待过程)

bazel build tensorflow/python/tools:optimize_for_inferencebazel build tensorflow/examples/label_image:label_image

4.1 优化模型

在根目录下输入如下命令:

bazel-bin/tensorflow/python/tools/optimize_for_inference \--input=./model/retrained_graph.pb \--output=./model/optimized_graph.pb \--input_names=Mul \--output_names=final_result

4.2用优化后的模型测试图片

取一张可乐的图片放到model目录下测试,输入如下命令: 你也可以测试其他的图片:)

bazel-bin/tensorflow/examples/label_image/label_image \--output_layer=final_result \--labels=./model/retrained_labels.txt \--image=./model/img28.jpg \--graph=./model/optimized_graph.pb

结果如下图:

4.3 修改相关的java文件, /tensorflow/tensorflow/examples/android/src/org/tensorflow/demo 目录下的ClassifierActivity.java文件

修改相关行

按照下图去每个值的大小:

并把上述两个文件移(optimized_graph.pb 和 retrained_labels.txt)动到 /tensorflow/tensorflow/examples/android/assets 目录下

5,部署模型到安卓手机

5.1 重新编译Android 环境

根目录输入:

bazel build -c opt //tensorflow/examples/android:tensorflow_demo

5.2 把新的apk文件放到安卓手机上安装,最后运行tf_classify ,效果如下图

标签: #netdataset读取数据类型