本文主要是介绍Tensorflow lite for 移动端安卓开发（三）——移动端测试自己的模型，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！
Tensorflow-lite官方给的应用是一个摄像头demo,主要由ImageClassifier类和Camera2BasicFragment类构成，ImageClassifier类为一个抽象类，由浮点类和数字量化类两类继承，主要实现读取，模型和预测的功能。Camera2BasicFragment类为碎片类，主要实现摄像头的预览功能。基于项目需要，为了能够在移动端测试model的性能，在原demo的基础上开发了一个测试demo，从移动端本地读取测试集进行预测，将预测结果以txt保存在本地，同时计算每类的精确率和召回率在终端显示，先给出demo效果图。
第一个图展示的是float模型跑出来的结果,第二个图展示的是量化模型的结果Quant量化模型跑出来的结果精度下降很多。
demo的github代码如下：https://github.com/GeekLee95/TFlite_android_test/tree/master
代码主要由以下四个类构成
ImageClassifer类 为抽象类
ImageClassifierFloatInception为浮点型子类，对应的浮点模型为assets资源下的7_float.tflite
ImageClaaifierQuantizedMobileNet为量化型子类，对应的数字量化模型为assets资源下的7.tflite
Mainactivity为主活动，主要涉及读取文件，图片格式转化和模型预测等方法。
output_labels.txt为模型的标签文件。
下面介绍主活动的主要方法。
1). public static void verifyStoragePermissions(Activity activity)
该函数实现动态申请权限，android 6.0以后为了提高系统安全，必须要在程序中动态申请权限
首先在清单文件中配置需要申请的权限，
<manifest xmlns:android="http://schemas.android.com/apk/res/android"package="com.example.liuli.openfiles"><uses-permission android:name="android.permission.MOUNT_UNMOUNT_FILESYSTEM"/><uses-permission android:name="android.permission.WRITE_EXTERNAL_STORAGE"/><uses-permission android:name="android.permission.READ_EXTERNAL_STORAGE"/>然后再动态申请
public static void verifyStoragePermissions(Activity activity){try{int permission= ActivityCompat.checkSelfPermission(activity,"android.permission.WRITE_EXTERNAL_STORAGE");if(permission!= PackageManager.PERMISSION_DENIED){ActivityCompat.requestPermissions(activity,PERMISSIONS_STORGE,REQUEST_EXTERNAL_STORAGE);}} catch (Exception e){e.printStackTrace();}}2). private List getImagePath()从本地存储中获取测试图片路径，可以选择内部存储（外置SD卡）和扩展存储卡（TF卡）路径。
private List<String> getImagePath(){List<String> dirpath = getExtSDCardPathList();Log.d("sd_path",dirpath.get(0));Log.d("tf_path",dirpath.get(1));tfpath = dirpath.get(1);List<String> imagePathList = new ArrayList<String>();String filepath = tfpath+ File.separator+"DCIM"+File.separator+"TEST";//String filepath = Environment.getExternalStoragePublicDirectory(Environment.DIRECTORY_PICTURES).toString();//Context context = getApplicationContext(); //获取当前上下文//String filepath = context.getExternalFilesDir("DCIM")+File.separator;//得到该路径文件夹下的所有文件Log.d("filepath",filepath);File fileAll = new File(filepath);boolean result = fileAll.exists();File[] files = fileAll.listFiles();for(int i = 0;i<files.length;i++){File file = files[i];if(checkIsImageFile(file.getPath())){imagePathList.add(file.getPath());}}return imagePathList;}3). private Bitmap createImageThumbnail(String filePath,int newHeight,int newWidth) 将原始图片缩放成指定大小的bitmap格式，比如mobilenet模型的input_size: 224x224
private Bitmap createImageThumbnail(String filePath,int newHeight,int newWidth){Bitmap bm = BitmapFactory.decodeFile(filePath);float width = bm.getWidth();float height = bm.getHeight();Log.i("old_size:","宽度是"+width+",高度是"+height);Matrix matrix = new Matrix();//计算宽高缩放率float scaleWidth = ((float) newWidth)/width;float scaleHeight = ((float) newHeight)/height;//缩放图片动作matrix.postScale(scaleWidth,scaleHeight);Bitmap bitmap = Bitmap.createBitmap(bm,0,0,(int)width,(int)height,matrix,true);Log.i("new_size:","宽度是"+bitmap.getHeight()+",高度是"+bitmap.getWidth());return bitmap;}4). private void classifyFrame(List Frames) 进行模型预测
private void classifyFrame(List<String> Frames){int num = 0;int carlessnum = 0,carlessTP = 0,carlessFP = 0;int carnormalnum = 0,carnormalTP = 0,carnormalFP = 0;int carmorenum = 0,carmoreTP = 0,carmoreFP = 0;//显示待预测图片总数mShownum.setText(Integer.toString(Frames.size()));Log.d("mShownum",Integer.toString(Frames.size()));String resultfilepath = tfpath+ File.separator+"DCIM"+File.separator+"TESTRESULT"+File.separator;for(int i = 0;i<Frames.size();i++){String imagepath = Frames.get(i);Bitmap bitmap = createImageThumbnail(imagepath,classifier.getImageSizeX(),classifier.getImageSizeY());String result = classifier.classifyFrame(bitmap);Log.d("Predict_result"+Integer.toString(i),result);String imagename = imagepath.split("/")[imagepath.split("/").length-1];//将数据保存到本地String resultname = imagename.replace(".jpg",".txt");Log.d("resultname",resultname);writeTxtToFile(result,resultfilepath,resultname);String label = imagename.split("_")[0];Log.d("label"+Integer.toString(i),label);switch (label){case "0":carlessnum++;Log.d("carlessnum",Integer.toString(carlessnum));if(result == classifier.labelList.get(Integer.parseInt(label))){carlessTP++;Log.d("carlessTP",Integer.toString(carlessTP));}break;case "1":carnormalnum++;Log.d("carnormalnum",Integer.toString(carnormalnum));if(result == classifier.labelList.get(Integer.parseInt(label))){carnormalTP++;Log.d("carnormalTP",Integer.toString(carnormalTP));}break;case "2":carmorenum++;Log.d("carmorenum",Integer.toString(carmorenum));if(result == classifier.labelList.get(Integer.parseInt(label))){carmoreTP++;Log.d("carmoreTP",Integer.toString(carmoreTP));}break;}if(result != classifier.labelList.get(Integer.parseInt(label))){switch (result){case "类别1":carlessFP++;break;case "类别2":carnormalFP++;break;case "类别3":carmoreFP++;break;}}if(result == classifier.labelList.get(Integer.parseInt(label))){num++;} else{wrongFrames.add(imagepath+"predict:"+result);}Log.d("图片数：", Integer.toString(i+1));Log.d("正确数：", Integer.toString(num));}float result = (float)num/(float)Frames.size();mShowResult.setText(Float.toString(result));// 计算每一类的精确率和召回率float carlessrec = (float)Math.round((float)carlessTP/(float)carlessnum*10000)/10000;float carlessacc = (float) Math.round((float)carlessTP/(float)(carlessTP+carlessFP)*10000)/10000;float carnormalrec = (float) Math.round((float)carnormalTP/(float)carnormalnum*10000)/10000;float carnormalacc = (float) Math.round((float)carnormalTP /(float)(carnormalTP+carnormalFP)*10000)/10000;float carmorerec = (float) Math.round((float) carmoreTP/(float)carmorenum*10000)/10000;float carmoreacc = (float) Math.round((float)carmoreTP/(float)(carmoreTP+carmoreFP)*10000)/10000;mShowcarlessacc.setText(Float.toString(carlessacc));mShowcarlessrec.setText(Float.toString(carlessrec));mShowcarlessnum.setText(Integer.toString(carlessnum));mShowcarnormacc.setText(Float.toString(carnormalacc));mShowcarnormrec.setText(Float.toString(carnormalrec));mShowcarnormnum.setText(Integer.toString(carnormalnum));mShowcarmoreacc.setText(Float.toString(carmoreacc));mShowcarmorerec.setText(Float.toString(carmorerec));mShowcarmorenum.setText(Integer.toString(carmorenum));}后续将会对模型进行改进和完善。
这篇关于Tensorflow lite for 移动端安卓开发（三）——移动端测试自己的模型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！
