Android 工程示例

多种应用场景

我们提供的Paddle-Lite示例工程Paddle-Lite-Demo，其中包含Android、iOS和Armlinux平台的示例工程。涵盖人脸识别、人像分割、图像分类、目标检测4个应用场景。

1. 人脸识别

人脸检测是Paddle-Lite提供的人像检测demo。在移动端上提供了高精度、实时的人脸检测能力，能处理基于人脸检测的业务场景。在移动端预测的效果图如下：

Android 工程示例 - 图1     Android 工程示例 - 图2

2. 人像分割

人像分割是Paddle-Lite 提供的图像分割demo ，在移动端上提供了实时的人像分割能力，可以应用证件照自动抠图、面积测量、智能交通（标记车道和交通标志）等场景。 在移动端预测的效果图如下：

Android 工程示例 - 图3     Android 工程示例 - 图4

3. 图像分类

图像分类是Paddle-Lite 提供的图像处理demo ，在移动端上提供了实时的物体识别能力，可以应用到生产线自动分拣或质检、识别医疗图像、辅助医生肉眼诊断等场景。在移动端预测的效果图如下：

Android 工程示例 - 图5     Android 工程示例 - 图6

4. 物体检测

物体检测是Paddle-Lite 提供的图像识别demo ，在移动端上提供了检测多个物体的位置、名称、位置及数量的能力。可以应用到视频监控（是否有违规物体或行为）、工业质检（微小瑕疵的数量和位置）、医疗诊断（细胞计数、中药识别）等场景。在移动端预测的效果图如下：

Android 工程示例 - 图7     Android 工程示例 - 图8

Android demo部署方法

下面我们以 目标检测示例（object_detection_demo) 为例讲解如何部署。

目的：将基于Paddle-Lite预测库的Android APP 部署到手机，实现物体检测

需要的环境： Android Studio、Android手机（开启USB调试模式）、下载到本地的Paddle-Lite-Demo工程

预先要求：如果您的Android Studio尚未配置NDK，请根据Android Studio用户指南中的安装及配置NDK和CMake内容，预先配置好NDK。您可以选择最新的NDK版本，或者与Android编译环境配置中的NDK版本保持一致。

部署步骤：

1、目标检测的Android示例位于 Paddle-Lite-Demo\PaddleLite-android-demo\object_detection_demo

2、用Android Studio 打开object_detection_demo工程 （本步骤需要联网）。

3、手机连接电脑，打开USB调试和文件传输模式，在Android Studio上连接自己的手机设备（手机需要开启允许从 USB安装软件权限）

https://paddlelite-data.bj.bcebos.com/doc_images/Android_iOS_demo/android/Android_studio.pngAndroid_studio

注意： 如果您在导入项目、编译或者运行过程中遇到NDK配置错误的提示，请打开 File > Project Structure > SDK Location，修改 “Andriod NDK location” 为您本机配置的NDK所在路径。如果您是通过Andriod Studio的SDK Tools下载的NDK (见本章节”预先要求”)，可以直接点击下拉框选择默认路径。如果以上步骤仍旧无法解决NDK配置错误，请尝试根据Andriod Studio官方文档中的更新 Android Gradle 插件章节，尝试更新Android Gradle plugin版本。

Android 工程示例 - 图10

4、按下 Run按钮，自动编译APP并安装到手机。(该过程会自动下载Paddle-Lite预测库和模型，需要联网)

成功后效果如下，图一：APP安装到手机 图二： APP打开后的效果，会自动识别图片中的物体并标记

Android 工程示例 - 图11     Android 工程示例 - 图12

Android demo结构讲解

Android 示例的代码结构如下图所示：

Android 工程示例 - 图13

1、 Predictor.java： 预测代码

  1. # 位置：
  2. object_detection_demo/app/src/main/java/com/baidu/paddle/lite/demo/object_detection/Predictor.java

2、 model.nb : 模型文件 (opt 工具转化后Paddle-Lite模型)；pascalvoc_label_list：训练模型时的labels文件

  1. # 位置：
  2. object_detection_demo/app/src/main/assets/models/ssd_mobilenet_v1_pascalvoc_for_cpu/model.nb
  3. object_detection_demo/app/src/main/assets/labels/pascalvoc_label_list

3、 libpaddle_lite_jni.so、PaddlePredictor.jar：Paddle-Lite Java 预测库与Jar包

  1. # 位置
  2. object_detection_demo/app/src/main/jniLibs/arm64-v8a/libpaddle_lite_jni.so
  3. object_detection_demo/app/libs/PaddlePredictor.jar

4、 build.gradle : 定义编译过程的 gradle 脚本。（不用改动，定义了自动下载Paddle-Lite预测和模型的过程）

  1. # 位置
  2. object_detection_demo/app/build.gradle

代码讲解 （使用Paddle-Lite Java API 执行预测）

Android 示例基于Java API 开发，调用Paddle-Lite Java API包括以下五步。更详细的API 描述参考： Paddle-Lite Java API。

  1. // 导入Java API
  2. import com.baidu.paddle.lite.MobileConfig;
  3. import com.baidu.paddle.lite.Tensor;
  4. import com.baidu.paddle.lite.Predictor;
  5. import com.baidu.paddle.lite.PowerMode;
  7. // 1. 写入配置：设置MobileConfig
  8. MobileConfig config = new MobileConfig();
  9. config.setModelFromFile(<modelPath>); // 设置Paddle-Lite模型路径
  10. config.setPowerMode(PowerMode.LITE_POWER_NO_BIND); // 设置CPU运行模式
  11. config.setThreads(4); // 设置工作线程数
  13. // 2. 创建 PaddlePredictor
  14. PaddlePredictor predictor = PaddlePredictor.createPaddlePredictor(config);
  16. // 3. 设置输入数据
  17. long[] dims = {100, 100};
  18. float[] inputBuffer = new float[10000];
  19. for (int i = 0; i < 10000; ++i) {
  20.     inputBuffer[i] = i;
  21. }
  22. Tensor input = predictor.getInput(0);
  23. input.resize(dims);
  24. input.setData(inputBuffer);
  26. // 4. 执行预测
  27. predictor.run();
  29. // 5. 获取输出数据
  30. Tensor result = predictor.getOutput(0);
  31. float[] output = result.getFloatData();
  32. for (int i = 0; i < 1000; ++i) {
  33.     System.out.println(output[i]);
  34. }