12 KiB

Raw Blame History Unescape Escape

MindSpore Lite 端侧场景检测demo（Android）

本示例程序演示了如何在端侧利用MindSpore Lite C++ API（Android JNI）以及MindSpore Lite 场景检测模型完成端侧推理，对设备摄像头捕获的内容进行检测，并在App图像预览界面中显示连续目标检测结果。

运行依赖

Android Studio >= 3.2 (推荐4.0以上版本)

构建与运行

在Android Studio中加载本示例源码。

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OK，Android Studio即可自动安装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。
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”。
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。

如下图所示，识别出的概率最高的物体是植物。
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
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。

4.3 Android Studio版本问题：

在工具栏-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。

示例程序详细说明

示例程序结构

app
|
├── libs # 存放demo jni层编译出的库文件
│   └── arm64-v8a
│       │── libmlkit-label-MS.so #
|
├── 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-mindata-arm64-cpu # minspore源码编译出的调用包,包含demo jni层依赖的库文件及相关的头文件
|   |   |   └── ...
│   |   |
|   |   ├── MindSporeNetnative.cpp # MindSpore调用相关的JNI方法
│   ├── java # java层应用代码
│   │   └── com.huawei.himindsporedemo
│   │       ├── help # 图像处理及MindSpore JNI调用相关实现
│   │       │   └── ...
│   │       └── obejctdetect # 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
│
├── CMakeLists.txt # cmake编译入口文件
│
├── build.gradle # 其他Android配置文件
├── download.gradle # APP构建时由gradle自动从HuaWei Server下载依赖的库文件及模型文件
└── ...

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-1.0.1-runtime-arm64-cpu.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'
        }
    }
}

在app/CMakeLists.txt文件中建立.so库文件链接，如下所示。

# Set MindSpore Lite Dependencies.
set(MINDSPORELITE_VERSION  mindspore-lite-1.0.1-runtime-arm64-cpu)
include_directories(${CMAKE_SOURCE_DIR}/src/main/cpp/${MINDSPORELITE_VERSION})
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)

# Link target library.
target_link_libraries(
    ...
    mindspore-lite
    minddata-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场景检测模型文件为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。

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

jlong bufferLen = env->GetDirectBufferCapacity(model_buffer);
if (0 == bufferLen) {
    MS_PRINT("error, bufferLen is 0!");
    return (jlong) nullptr;
}

char *modelBuffer = CreateLocalModelBuffer(env, model_buffer);
if (modelBuffer == nullptr) {
    MS_PRINT("modelBuffer create failed!");
    return (jlong) nullptr;
}

创建会话

void **labelEnv = new void *;
MSNetWork *labelNet = new MSNetWork;
*labelEnv = labelNet;

mindspore::lite::Context *context = new mindspore::lite::Context;
context->thread_num_ = num_thread;
context->device_list_[0].device_info_.cpu_device_info_.cpu_bind_mode_ = mindspore::lite::NO_BIND;
context->device_list_[0].device_info_.cpu_device_info_.enable_float16_ = false;
context->device_list_[0].device_type_ = mindspore::lite::DT_CPU;

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, mindspore::lite::Context *ctx) {
    session_ = mindspore::session::LiteSession::CreateSession(ctx);
    if (session_ == nullptr) {
        MS_PRINT("Create Session failed.");
        return;
    }

    // Compile model.
    model_ = mindspore::lite::Model::Import(modelBuffer, bufferLen);
    if (model_ == nullptr) {
        ReleaseNets();
        MS_PRINT("Import model failed.");
        return;
    }

    int ret = session_->CompileGraph(model_);
    if (ret != mindspore::lite::RET_OK) {
        ReleaseNets();
        MS_PRINT("CompileGraph failed.");
        return;
    }
}

将输入图片转换为传入MindSpore模型的Tensor格式。

// Convert the Bitmap image passed in from the JAVA layer to Mat for OpenCV processing
    LiteMat lite_mat_bgr,lite_norm_mat_cut;

   if (!BitmapToLiteMat(env, srcBitmap, lite_mat_bgr)){
    MS_PRINT("BitmapToLiteMat error");
       return NULL;
   }
   int srcImageWidth = lite_mat_bgr.width_;
   int srcImageHeight = lite_mat_bgr.height_;
   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();
   auto inTensor = msInputs.front();

   float *dataHWC = reinterpret_cast<float *>(lite_norm_mat_cut.data_ptr_);
   // copy input Tensor
   memcpy(inTensor->MutableData(), dataHWC,
          inputDims.channel * inputDims.width * inputDims.height * sizeof(float));
   delete[] (dataHWC);

对输入Tensor按照模型进行推理，获取输出Tensor。

图执行，端测推理。

// After the model and image tensor data is loaded, run inference.
auto status = mSession->RunGraph();

if (status != mindspore::lite::RET_OK) {
    MS_PRINT("MindSpore run net error.");
    return NULL;
}

获取输出数据。

/**
 * Get the mindspore inference results.
 * Return the map of output node name and MindSpore Lite MSTensor.
 */
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});
}

12 KiB Raw Blame History Unescape Escape