mindspore/model_zoo/official/lite/image_classification/README.md

14 KiB
Raw Blame History

MindSpore Lite 端侧图像分类demoAndroid

本示例程序演示了如何在端侧利用MindSpore Lite C++ APIAndroid JNI以及MindSpore Lite 图像分类模型完成端侧推理实现对设备摄像头捕获的内容进行分类并在App图像预览界面中显示出最可能的分类结果。

运行依赖

  • Android Studio >= 3.2 (推荐4.0以上版本)

构建与运行

  1. 在Android Studio中加载本示例源码。

    start_home

    启动Android Studio后点击File->Settings->System Settings->Android SDK,勾选相应的SDK Tools。如下图所示,勾选后,点击OKAndroid Studio即可自动安装SDK。

    start_sdk

    Android SDK Tools为默认安装项取消Hide Obsolete Packages选框之后可看到。

    使用过程中若出现问题可参考第4项解决。

  2. 连接Android设备运行该应用程序。

    通过USB连接Android手机。待成功识别到设备后点击Run 'app'即可在您的手机上运行本示例项目。

    编译过程中Android Studio会自动下载MindSpore Lite、模型文件等相关依赖项编译过程需做耐心等待。

    Android Studio连接设备调试操作可参考https://developer.android.com/studio/run/device?hl=zh-cn

    手机需开启“USB调试模式”Android Studio 才能识别到手机。 华为手机一般在设置->系统和更新->开发人员选项->USB调试中开始“USB调试模型”。

    run_app

  3. 在Android设备上点击“继续安装”安装完即可查看到设备摄像头捕获的内容和推理结果。

    install

    如下图所示,识别出的概率最高的物体是植物。

    result

  4. Demo部署问题解决方案。

    4.1 NDK、CMake、JDK等工具问题

    如果Android Studio内安装的工具出现无法识别等问题可重新从相应官网下载和安装并配置路径。

    • NDK >= 21.3 NDK

    • CMake >= 3.10.2 CMake

    • Android SDK >= 26 SDK

    • JDK >= 1.8 JDK

      project_structure

    4.2 NDK版本不匹配问题

    打开Android SDK,点击Show Package Details根据报错信息选择安装合适的NDK版本。 NDK_version

    4.3 Android Studio版本问题

    工具栏-help-Checkout for Updates中更新Android Studio版本。

    4.4 Gradle下依赖项安装过慢问题

    如图所示, 打开Demo根目录下build.gradle文件,加入华为镜像源地址:maven {url 'https://developer.huawei.com/repo/'}修改classpath为4.0.0,点击sync进行同步。下载完成后将classpath版本复原再次进行同步。 maven

示例程序详细说明

本端侧图像分类Android示例程序分为JAVA层和JNI层其中JAVA层主要通过Android Camera 2 API实现摄像头获取图像帧以及相应的图像处理等功能JNI层完成模型推理的过程。

此处详细说明示例程序的JNI层实现JAVA层运用Android Camera 2 API实现开启设备摄像头以及图像帧处理等功能需读者具备一定的Android开发基础知识。

示例程序结构

app
├── src/main
│   ├── assets # 资源文件
|   |   └── mobilenetv2.ms # 存放模型文件
│   |
│   ├── cpp # 模型加载和预测主要逻辑封装类
|   |   ├── ..
|   |   ├── mindspore_lite_x.x.x-minddata-arm64-cpu #MindSpore Lite版本
|   |   ├── MindSporeNetnative.cpp # MindSpore调用相关的JNI方法
│   |   └── MindSporeNetnative.h # 头文件
|   |   └── MsNetWork.cpp # MindSpre接口封装
│   |
│   ├── java # java层应用代码
│   │   └── com.mindspore.classification
│   │       ├── gallery.classify # 图像处理及MindSpore JNI调用相关实现
│   │       │   └── ...
│   │       └── widget # 开启摄像头及绘制相关实现
│   │           └── ...
│   │
│   ├── res # 存放Android相关的资源文件
│   └── AndroidManifest.xml # Android配置文件
│
├── CMakeList.txt # cmake编译入口文件
│
├── build.gradle # 其他Android配置文件
├── download.gradle # 工程依赖文件下载
└── ...

配置MindSpore Lite依赖项

Android JNI层调用MindSpore C++ API时需要相关库文件支持。可通过MindSpore Lite源码编译生成mindspore-lite-{version}-minddata-{os}-{device}.tar.gz库文件包并解压缩(包含libmindspore-lite.so库文件和相关头文件),在本例中需使用生成带图像预处理模块的编译命令。

version输出件版本号与所编译的分支代码对应的版本一致。

device当前分为cpu内置CPU算子和gpu内置CPU和GPU算子

os输出件应部署的操作系统。

本示例中build过程由download.gradle文件自动下载MindSpore Lite 版本文件,并放置在app/src/main/cpp/目录下。

若自动下载失败,请手动下载相关库文件,解压并放在对应位置:

mindspore-lite-1.1.0-inference-android.tar.gz 下载链接

在app的build.gradle文件中配置CMake编译支持以及arm64-v8a的编译支持,如下所示:

android{
    defaultConfig{
        externalNativeBuild{
            cmake{
                arguments "-DANDROID_STL=c++_shared"
            }
        }

        ndk{
            abiFilters 'arm64-v8a'
        }
    }
}

app/CMakeLists.txt文件中建立.so库文件链接,如下所示。

# ============== Set MindSpore Dependencies. =============
include_directories(${CMAKE_SOURCE_DIR}/src/main/cpp)
include_directories(${CMAKE_SOURCE_DIR}/src/main/cpp/${MINDSPORELITE_VERSION}/third_party/flatbuffers/include)
include_directories(${CMAKE_SOURCE_DIR}/src/main/cpp/${MINDSPORELITE_VERSION})
include_directories(${CMAKE_SOURCE_DIR}/src/main/cpp/${MINDSPORELITE_VERSION}/include)
include_directories(${CMAKE_SOURCE_DIR}/src/main/cpp/${MINDSPORELITE_VERSION}/include/ir/dtype)
include_directories(${CMAKE_SOURCE_DIR}/src/main/cpp/${MINDSPORELITE_VERSION}/include/schema)

add_library(mindspore-lite SHARED IMPORTED )
add_library(minddata-lite SHARED IMPORTED )

set_target_properties(mindspore-lite PROPERTIES IMPORTED_LOCATION
        ${CMAKE_SOURCE_DIR}/src/main/cpp/${MINDSPORELITE_VERSION}/lib/libmindspore-lite.so)
set_target_properties(minddata-lite PROPERTIES IMPORTED_LOCATION
        ${CMAKE_SOURCE_DIR}/src/main/cpp/${MINDSPORELITE_VERSION}/lib/libminddata-lite.so)
# --------------- MindSpore Lite set End. --------------------

# Link target library.
target_link_libraries(
    ...
     # --- mindspore ---
        minddata-lite
        mindspore-lite
    ...
)

下载及部署模型文件

从MindSpore Model Hub中下载模型文件本示例程序中使用的终端图像分类模型文件为mobilenetv2.ms同样通过download.gradle脚本在APP构建时自动下载并放置在app/src/main/assets工程目录下。

若下载失败请手动下载模型文件mobilenetv2.ms 下载链接

编写端侧推理代码

在JNI层调用MindSpore Lite C++ API实现端测推理。

推理代码流程如下,完整代码请参见src/cpp/MindSporeNetnative.cpp

  1. 加载MindSpore Lite模型文件构建上下文、会话以及用于推理的计算图。

    • 加载模型文件:创建并配置用于模型推理的上下文

      // Buffer is the model data passed in by the Java layer
      jlong bufferLen = env->GetDirectBufferCapacity(buffer);
      char *modelBuffer = CreateLocalModelBuffer(env, buffer);  
      
    • 创建会话

      void **labelEnv = new void *;
      MSNetWork *labelNet = new MSNetWork;
      *labelEnv = labelNet;
      
      // Create context.
      lite::Context *context = new lite::Context;
      context->thread_num_ = numThread;  //Specify the number of threads to run inference
      
      // Create the mindspore session.
      labelNet->CreateSessionMS(modelBuffer, bufferLen, context);
      delete(context);
      
      
    • 加载模型文件并构建用于推理的计算图

      void MSNetWork::CreateSessionMS(char* modelBuffer, size_t bufferLen, std::string name, mindspore::lite::Context* ctx)
      {
          CreateSession(modelBuffer, bufferLen, ctx);  
          session = mindspore::session::LiteSession::CreateSession(ctx);
          auto model = mindspore::lite::Model::Import(modelBuffer, bufferLen);
          int ret = session->CompileGraph(model);
      }
      
  2. 将输入图片转换为传入MindSpore模型的Tensor格式。

    将待检测图片数据转换为输入MindSpore模型的Tensor。

    if (!BitmapToLiteMat(env, srcBitmap, &lite_mat_bgr)) {
     MS_PRINT("BitmapToLiteMat error");
     return NULL;
    }
    if (!PreProcessImageData(lite_mat_bgr, &lite_norm_mat_cut)) {
     MS_PRINT("PreProcessImageData error");
     return NULL;
    }
    
    ImgDims inputDims;
    inputDims.channel = lite_norm_mat_cut.channel_;
    inputDims.width = lite_norm_mat_cut.width_;
    inputDims.height = lite_norm_mat_cut.height_;
    
    // Get the mindsore inference environment which created in loadModel().
    void **labelEnv = reinterpret_cast<void **>(netEnv);
    if (labelEnv == nullptr) {
     MS_PRINT("MindSpore error, labelEnv is a nullptr.");
     return NULL;
    }
    MSNetWork *labelNet = static_cast<MSNetWork *>(*labelEnv);
    
    auto mSession = labelNet->session();
    if (mSession == nullptr) {
     MS_PRINT("MindSpore error, Session is a nullptr.");
     return NULL;
    }
    MS_PRINT("MindSpore get session.");
    
    auto msInputs = mSession->GetInputs();
    if (msInputs.size() == 0) {
     MS_PRINT("MindSpore error, msInputs.size() equals 0.");
     return NULL;
    }
    auto inTensor = msInputs.front();
    
    float *dataHWC = reinterpret_cast<float *>(lite_norm_mat_cut.data_ptr_);
    // Copy dataHWC to the model input tensor.
    memcpy(inTensor->MutableData(), dataHWC,
         inputDims.channel * inputDims.width * inputDims.height * sizeof(float));
    
  3. 对输入Tensor按照模型进行推理获取输出Tensor并进行后处理。

    • 图执行,端测推理。

      // After the model and image tensor data is loaded, run inference.
      auto status = mSession->RunGraph();
      
    • 获取输出数据。

      auto names = mSession->GetOutputTensorNames();
      std::unordered_map<std::string,mindspore::tensor::MSTensor *> msOutputs;
      for (const auto &name : names) {
          auto temp_dat =mSession->GetOutputByTensorName(name);
          msOutputs.insert(std::pair<std::string, mindspore::tensor::MSTensor *> {name, temp_dat});
        }
       std::string resultStr = ProcessRunnetResult(::RET_CATEGORY_SUM,
                                            ::labels_name_map, msOutputs);
      
    • 输出数据的后续处理。

      std::string ProcessRunnetResult(const int RET_CATEGORY_SUM, const char *const labels_name_map[],
               std::unordered_map<std::string, mindspore::tensor::MSTensor *> msOutputs) {
       // Get the branch of the model output.
       // Use iterators to get map elements.
       std::unordered_map<std::string, mindspore::tensor::MSTensor *>::iterator iter;
       iter = msOutputs.begin();
      
       // The mobilenetv2.ms model output just one branch.
       auto outputTensor = iter->second;
      
       int tensorNum = outputTensor->ElementsNum();
       MS_PRINT("Number of tensor elements:%d", tensorNum);
      
       // Get a pointer to the first score.
       float *temp_scores = static_cast<float *>(outputTensor->MutableData());
       float scores[RET_CATEGORY_SUM];
       for (int i = 0; i < RET_CATEGORY_SUM; ++i) {
        scores[i] = temp_scores[i];
       }
      
       float unifiedThre = 0.5;
       float probMax = 1.0;
       for (size_t i = 0; i < RET_CATEGORY_SUM; ++i) {
        float threshold = g_thres_map[i];
        float tmpProb = scores[i];
        if (tmpProb < threshold) {
         tmpProb = tmpProb / threshold * unifiedThre;
        } else {
         tmpProb = (tmpProb - threshold) / (probMax - threshold) * unifiedThre + unifiedThre;
       }
        scores[i] = tmpProb;
      }
      
       for (int i = 0; i < RET_CATEGORY_SUM; ++i) {
       if (scores[i] > 0.5) {
           MS_PRINT("MindSpore scores[%d] : [%f]", i, scores[i]);
        }
       }
      
       // Score for each category.
       // Converted to text information that needs to be displayed in the APP.
       std::string categoryScore = "";
       for (int i = 0; i < RET_CATEGORY_SUM; ++i) {
        categoryScore += labels_name_map[i];
        categoryScore += ":";
        std::string score_str = std::to_string(scores[i]);
        categoryScore += score_str;
        categoryScore += ";";
       }
         return categoryScore;
      }