添加链接
link之家
链接快照平台
  • 输入网页链接,自动生成快照
  • 标签化管理网页链接

Step1:下载并集成Pytorch Android库

1、下载Pytorch Android库。
在Pytorch的官网pytorch.org上找到最新版本的库。下载后,将其解压缩到项目的某个目录下。

2、配置项目gradle文件
配置项目的gradle文件,向项目添加Pytorch Android库的依赖项。打开项目的build.gradle文件,添加以下代码:

repositories {
    // 添加以下两行代码
    maven {
        url "https://oss.sonatype.org/content/repositories/snapshots/"
dependencies {
    // 添加以下两行代码
    implementation 'org.pytorch:pytorch_android:1.8.0-SNAPSHOT'
    implementation 'org.pytorch:pytorch_android_torchvision:1.8.0-SNAPSHOT'

3、将库文件添加到项目中
将Pytorch Android库的库文件添加到项目中。可以将其复制到“libs”文件夹中,并在项目的gradle文件中添加以下代码:

android {
    sourceSets {
        main {
            jniLibs.srcDirs = ['libs']

4、配置NDK版本
确保项目使用了支持Pytorch Android库的NDK版本。打开项目的local.properties文件,添加以下代码:

//NDK目录
ndk.dir=/path/to/your/ndk 

5、同步gradle文件
在Android Studio中,点击“Sync Project with Gradle Files”按钮,等待同步完成。
到这就集成了Pytorch Android库。可以在应用程序中使用Pytorch Android库提供的API加载模型文件并进行预测。

Step2:准备Pytorch导出的.pt模型文件

假如我们的深度学习模型输入图片大小尺寸为(640,640,3),并且已经在python中训练好了my_model.pth,那么我们需要将其转换为.pt格式:

import torch
# 加载PyTorch模型
model = torch.load("my_model.pth")
# 将PyTorch模型转换为TorchScript格式
traced_script_module = torch.jit.trace(model, torch.randn(1, 3, 640, 640))
traced_script_module.save("my_model.pt")

转换Pytorch模型为TorchScript格式时,需要确保使用的所有操作都是TorchScript支持的。否则,在转换模型时可能会出现错误。

Step3:导入Pytorch模型文件

要在Android Studio中创建新项目并将m_model.pt模型文件放入该项目中,包含以下步骤:
1、打开Android Studio,并选择“Create New Project”选项。
2、在“Create New Project”向导中,输入项目名称,选择项目保存位置,并选择“Phone and Tablet”作为您的应用程序目标设备。然后,单击“Next”继续。
3、选择“Empty Activity”模板,并单击“Next”继续。
4、在“Configure Activity”对话框中,输入活动名称并单击“Finish”完成项目创建过程。
5、在项目中创建一个名为“assets”的文件夹。要创建该文件夹,请右键单击项目根目录,选择“New” -> “Folder” -> “Assets Folder”。
6、将m_model.pt模型文件复制到“assets”文件夹中。要将文件复制到“assets”文件夹中,右键单击该文件夹,选择“Show in Explorer”或“Show in Finder”,然后将文件复制到打开的文件夹中。
7、在代码中加载模型文件使用以下代码示例加载模型文件:

AssetManager assetManager = getAssets();
String modelPath = "m_model.pt";
File modelFile = new File(getCacheDir(), modelPath);
try (InputStream inputStream = assetManager.open(modelPath);
     FileOutputStream outputStream = new FileOutputStream(modelFile)) {
    byte[] buffer = new byte[4 * 1024];
    int read;
    while ((read = inputStream.read(buffer)) != -1) {
        outputStream.write(buffer, 0, read);
    outputStream.flush();
} catch (IOException e) {
    e.printStackTrace();
// 加载PyTorch模型
Module model = Module.load(modelFile.getAbsolutePath());

在这里需要注意将模型文件保存到应用程序的缓存目录中,而不是将其保存在项目资源中。这是因为在运行时,Android应用程序不能直接读取项目资源,而是需要使用AssetManager类从“assets”文件夹中读取文件。

Step4:模型的调用及使用示例

接下来示例运行模型、获取模型输出和在主线程中更新UI的代码:

import org.pytorch.IValue;
import org.pytorch.Module;
import org.pytorch.Tensor;
import org.pytorch.torchvision.TensorImageUtils;
import android.content.res.AssetManager;
import android.graphics.Bitmap;
import android.graphics.BitmapFactory;
import android.os.Bundle;
import android.os.Handler;
import android.os.Looper;
import android.util.Log;
import androidx.appcompat.app.AppCompatActivity;
import androidx.camera.core.CameraX;
import androidx.camera.core.ImageAnalysis;
import androidx.camera.core.ImageProxy;
import androidx.camera.core.Preview;
import androidx.camera.lifecycle.ProcessCameraProvider;
import androidx.camera.view.PreviewView;
import androidx.core.content.ContextCompat;
import androidx.lifecycle.LifecycleOwner;
import java.io.IOException;
import java.io.InputStream;
import java.util.concurrent.ExecutorService;
import java.util.concurrent.Executors;
public class MainActivity extends AppCompatActivity {
    private static final String MODEL_PATH = "m_model.pt";
    private static final int INPUT_SIZE = 224;
    private Module mModule;
    private ExecutorService mExecutorService;
    private Handler mHandler;
    @Override
    protected void onCreate(Bundle savedInstanceState) {
        super.onCreate(savedInstanceState);
        setContentView(R.layout.activity_main);
        // 加载PyTorch模型和创建执行线程池
        loadModel();
        // 创建主线程处理程序
        mHandler = new Handler(Looper.getMainLooper());
        // 启动相机
        startCamera();
    private void loadModel() {
        // 加载PyTorch模型
        try {
            AssetManager assetManager = getAssets();
            InputStream inputStream = assetManager.open(MODEL_PATH);
            mModule = Module.load(inputStream);
        } catch (IOException e) {
            Log.e("MainActivity", "Error reading model file: " + e.getMessage());
            finish();
        // 创建执行线程池
        mExecutorService = Executors.newSingleThreadExecutor();
    private void startCamera() {
        // 创建PreviewView
        PreviewView previewView = findViewById(R.id.preview_view);
        // 配置相机生命周期所有者
        LifecycleOwner lifecycleOwner = this;
        // 配置相机预览
        Preview preview = new Preview.Builder().build();
        preview.setSurfaceProvider(previewView.getSurfaceProvider());
        // 配置图像分析
        ImageAnalysis imageAnalysis =
                new ImageAnalysis.Builder()
                        .setBackpressureStrategy(ImageAnalysis.STRATEGY_KEEP_ONLY_LATEST)
                        .build();
        // 设置图像分析的处理程序
        imageAnalysis.setAnalyzer(
                mExecutorService,
                new ImageAnalysis.Analyzer() {
                    @Override
                    public void analyze(ImageProxy image, int rotationDegrees) {
                        // 将ImageProxy转换为Bitmap
                        Bitmap bitmap =
                                Bitmap.createScaledBitmap(
                                        image.getImage(),
                                        INPUT_SIZE,
                                        INPUT_SIZE,
                                        false);
                        // 将Bitmap转换为Tensor
                        Tensor tensor =
                                TensorImageUtils.bitmapToFloat32Tensor(
                                        bitmap,
                                        TensorImageUtils.TORCHVISION_NORM_MEAN_RGB,
                                        TensorImageUtils.TORCHVISION_NORM_STD_RGB);
                        // 创建输入列表
                        final IValue[] inputs = {IValue.from(tensor)};
                        // 运行模型
                        Tensor outputTensor = mModule.forward(inputs).toTensor();
                        // 获取模型输出
                        float[] scores = outputTensor.getDataAsFloatArray();
                        // 查找最高分数
                        float maxScore = -Float.MAX_VALUE;
                        int maxScoreIndex = -1;
                        for (int i = 0; i < scores.length; i++) {
                            if (scores[i] > maxScore) {
                                maxScore = scores[i];
                                maxScoreIndex = i;
                        // 获取分类标签
                        String[] labels = getLabels();
                        String predictedLabel = labels[maxScoreIndex];
                        // 更新UI
                        updateUI(predictedLabel);
                });
        // 绑定相机生命周期所有者
        CameraX.bindToLifecycle(lifecycleOwner, preview, imageAnalysis);
    private String[] getLabels() {
        // 在此处替换为标签文件
        return new String[]{
                "tench",
                "goldfish",
                "great white shark",
                "tiger shark",
                // ...
    private void updateUI(String predictedLabel) {
        mHandler.post(
                new Runnable() {
                    @Override
                    public void run() {
                        // 更新UI
                        // 例如,将预测标签写入TextView
                        // TextView textView = findViewById(R.id.text_view);
                        // textView.setText(predictedLabel);
                });
    @Override
    protected void onDestroy() {
        super.onDestroy();
        // 释放模型和执行线程池
        mModule.destroy();
        mExecutorService.shutdown();

当模型预测输入图像时,它将返回一个整数,该整数表示模型预测的图像类型的索引。可以使用该索引来查找对应的标签并更新UI。例如:

// 查找最高分数
float maxScore = -Float.MAX_VALUE;
int maxScoreIndex = -1;
for (int i = 0; i < scores.length; i++) {
    if (scores[i] > maxScore) {
        maxScore = scores[i];
        maxScoreIndex = i;
// 获取分类标签
String[] labels = getLabels();
String predictedLabel = labels[maxScoreIndex];
// 更新UI
updateUI(predictedLabel);

Step5:调试程序

编译和运行应用程序,并在Android Studio调试上测试图像识别功能。

前面我们介绍过了如何来安装ncnn以及搭建ncnn的环境,并且通过VS编写了一个基于mobilenet的图像分类实例。接下来,我们开始介绍如何将mobilenet的图像分类模型部署到手机端,主要介绍Android端的部署,IOS端和Android差不多,只需要把代码移植到IOS环境下重新编译一下即可。 操作系统:win10 开发工具:Android studio 开发Android应用当然离不开Android studio了,当然我们作为一名算法工程师并不需要去开发一个Android应用,通
yolov5模型部署到安卓手机-+模型文件+app源代码,下载后可以直接编译使用; 详情请参考文章: https://blog.csdn.net/qq122716072/article/details/125371307 内容概要:安全帽识别模型部署android app
https://juejin.cn/post/6844903607943299085 最近学了近一个月半月的深度学习,所以想检验一下学习成果。正好毕设是图像处理APP的实现,所以就把快速风格迁移的前馈神经网络通过Tensorflow for Android移植到了APP上面,作为滤镜快速风格迁移的效果还挺不错,就是速度有点慢。可能和现在Android端的深度学习还不支持gpu有关吧。 关于MyPhotoShop 这是一个图片处理APP,里面使. 前面我们通过c++实现了mobilenet模型的调用,现在我们想通过Android来调用c++代码,来实现Android深度学习模型部署。IOS端可以通过object c直接调用c++代码,Android提供了JNI用来调用c++代码 JNI (Java Native Interface,Java本地接口)是一种编程框架,使得Java虚拟机中的Java程序可以调用本地应用/或库,也可以被其他程序调用。 本地程序一般是用其它语言(C、C++或汇编语言等)编写的,并且被编译为基于本机硬件和操作 平时学习-工作总结,有两个方向: 其一是Android开发方向 其二是Linux平台开发方向,包括Opencv图像处理,深度学习框架Tensorflow使用,C/C++,python开发 ImgProc-c++是一个c/c++工程,主要是结合opencv和tensorflow进行一些图片处理 ImgProc-python是图片处理的python实现 tensorflow目录是python工程,主要是使用python对深度学习框架tensorflow进行研究和开发 Android开发在windows平台,其它的则在linux平台(ubuntu18)
PyTorch是一种流行的深度学习框架,而Android是一种广泛使用的移动操作系统。在将PyTorch模型部署Android设备上之前,需要进行一些模型优化和转换,以确保其在Android设备上的高效性能和正确性。 以下是将PyTorch模型部署Android设备的一般步骤: 1. 定义和训练PyTorch模型:在PyTorch中定义和训练深度学习模型。 2. 将PyTorch模型转换为ONNX格式:使用PyTorch的“torch.onnx”模块将PyTorch模型转换为ONNX格式。 3. 使用ONNX Runtime库优化模型:使用ONNX Runtime库进行模型优化和转换,以确保其在Android设备上的高效性能和正确性。 4. 将优化后的模型打包到Android应用中:将优化后的模型打包到Android应用中,以便在Android设备上使用。 5. 使用Android Studio进行部署:使用Android Studio将应用程序部署Android设备上,并确保应用程序可以正确加载和使用优化后的模型。 请注意,这只是将PyTorch模型部署Android设备的一般步骤,实际上可能需要更多的步骤和调整,具体取决于模型和设备的要求和限制。