TensorFlow Lite（实战系列一）：TFLite Android 迁移训练构建自己的图像识别APP

摘要

人工智能想要从实验室走向大众，一个必不可少的途径就是朝着智能终端、嵌入式产品等边缘设备发展。谷歌基于TFMobile推出了TFLite，我们只需要把训练好的模型按照一定规则转换成拥有.tflite后缀的模型文件，便可以通过Android Studio生成app并嵌入到手机终端里，实现边缘设备的落地。为了让大家体验到TensorFlow Lite的强大。少奶奶将会以Google官网提供的花卉重训练模型案例为基础，逐步为大家详细讲解数据准备，模型迁移训练，tflite文件转换，App嵌入等步骤。让大家也能开发一款自己的模型识别app。

参考链接: 感谢前辈们的贡献.

备注：大家在实践过程中有什么问题 可以直接在评论区留言，少奶奶会定期回复。

开发环境

window 10 + Anaconda + Pycharm + Android Studio + Python 3.6 + Tensorflow-gpu 1.14.0 + Tensorflow 1.14.0 (cpu版本)

花卉数据准备

数据下载地址： 点击下载.
解压后，可以得到五个文件夹，文件夹的名称就是这些数据的标签：
daisy（雏菊）、dandelion（蒲公英）、rose（玫瑰）、sunflower（向日葵）、tulip（郁金香）

下载官网训练代码

代码下载地址： 点击下载.

文件目录结构说明

android：存放安卓APP相关代码，后期得到tflite模型后，少奶奶会使用android studio导入该工程，并进行嵌入边缘设备操作。
ios：存放ios App的相关代码，可以使用app打包工具，生成能在苹果手机里运行的app。
scripts：进行迁移训练的主要文件夹。
tf_files: 模型文件存放位置。

模型类别说明

在Google提供的预编译模型中，大体可以分成浮点数模型和量化（整数）模型，前者属于高精度模型，size大用时长，适合高性能的边缘设备。后者采用8位二进制存储权重，size大精度低，但用时少，适合低性能边缘设备。本文介绍并使用的花卉模型重训练代码目前只支持Inception_v3和Mobilenet两种预编译模型，默认是使用Inception_v3。所以，少奶奶采用Mobilenet模型进行重训练并采用浮点数模型进行存储权重。

模型重训练

步骤一：使用pycharm打开已经下载好的官网训练代码，并设置anaconda运行环境（不知道怎么设置的同学可以翻阅其他博主撰写的博客）

步骤二：在当前文件夹中，新建如下四个文件夹

bottleneck：代码运行期间存储的临死文件
flower_photos：待训练的图片数据（下载好的训练图片直接解压到该目录）
intermediate_graph：保存临时生成的图结构
retrain_logs：保存日志，可使用tensorboard查看

步骤三：打开pycharm的终端，激活anaconda虚拟环境，并输入以下命令开始训练

python retrain.py --image_dir=../flower_photos --out_graph --output_labels=../tf_files/output_labels.txt --summari
es_dir=../retrain_logs  --how_many_training_steps=40 --model_dir=../tf_files/models --final_tensor_name=final_result --architecture=mobilenet_1.0_224
1
2

训练结果展示参数说明
–architecture 为架构类型，支持mobilenet和Inception_v3。
–image_dir 为数据地址。
–output_labels 最后训练生成模型的标签，由于花图片集合已经按照子目录进行了分 类，故retrained_labels.txt最后包含了上述五种花的分类名称。
–output_graph 最后训练生成的模型
–model_dir 命令启动后，程序会把网络自动下载预编译模型放到该位置 --how_many_training_steps 训练步数，不指定的话默认为4000
–bottleneck_dir 用来把top层的训练数据缓存成文件
–learning_rate 学习率
–testing_percentage 把图片按多少比例划分出来当做test数据，默认为10
–validation_percentage 把图片按多少比例划分出来当做validation数据，默认为10
–eval_step_interval 多少步训练后进行一次评估，默认为10
–train_batch_size 一次训练的图片数，默认为100
–validation_batch_size 一次验证的图片数，默认为100
–random_scale 给定一个比例值，然后随机扩大训练图片的大小，默认为0
–random_brightness 给定一个比例值，然后随机增强或减弱训练图片的明亮程度，默 认为0
–random_crop 给定一个比例值，然后随机裁剪训练图片的边缘值，默认为0

步骤四：测试重训练的模型效果

训练好的模型文件会保存在tf_files文件夹中

打开label_image.py文件，修改如下代码，然后右键运行该代码即可完成测试

测试结果

步骤五：模型转换

重训练得到的pb模型包含了网络图结构和网络权重参数，我们先对该模型进行优化，减少其体积，然后转换成tflite模型。

toco --graph_def_file=../tf_files/retrained_graph.pb --output_file=../tf_files/optimized_graph.tflite --input_format=TENSORFLOW_GRAPHDEF --output_format=TFLITE --input_shape=1,224,224,3 --input_array=input --output_array=final_result --inference_type=FLOAT --input_data_type=FLOAT
1

备注：input_shape必须为[1,224,224,3]既bitch size为1，input_array和output_array分别为mobilenet网络中国的输入层和输出层的节点名称，可以在retrain.py文件中找到。

步骤六：嵌入APP设备

使用android studio，导入官网提供的android案例。

把转换好的tflite和对应标签放入assets文件夹中，导入成功后，编译器会安装一些环境。

修改模型和标签引入路径

修改APP读入图片尺寸

使用USB连接电脑，打开真机的开发者模式，移植app到手机中。
最终效果

总结

至此，使用Google官网的mobilenet浮点数模型进行重训练，并成功的嵌入到了手机设备中。但这仅仅是使用了TensorFlow Lite的一小部分功能。为了更好的使用TensorFlow Lite进行自定义网络模型训练，例如：使用YOLOV-3训练了一个识别工人类型的模型，并部署到手机中，实现实时监测。则本文就显得捉襟见肘了。因为官网提供的模型很多细节都没有告诉开发者，所以，当少奶奶在实现自定义网络模型嵌入app时，遇到了很多困难，通过查阅前辈们的博客和github，才实现了上述功能。下一篇博文，少奶奶将不再使用官网提供的模型，而是采用自定义的网络模型进行训练，并一步一步的嵌入app中。