mindspore/model_zoo/official/lite/scene_detection

• MindSpore Lite 端侧场景检测demo（Android）
• • 运行依赖
  • 构建与运行
  • 示例程序详细说明
  • • 示例程序结构
    • 配置MindSpore Lite依赖项
    • 下载及部署模型文件
    • 编写端侧推理代码

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

1. 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。

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”。

   

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。

   

   如下图所示，识别出的概率最高的物体是植物。

   

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

     

   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。

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

     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;
         }
     }
     

2. 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);
   

3. 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});
     }