基于JNI接口的Android应用开发

查看源文件

概述

我们推荐你从端侧Android图像分类demo入手，了解MindSpore Lite应用工程的构建、依赖项配置以及相关API的使用。

本教程基于MindSpore团队提供的Android“端侧图像分类”示例程序，演示了端侧部署的流程。

  1. 选择图像分类模型。

  2. 将模型转换成MindSpore Lite模型格式。

  3. 在端侧使用MindSpore Lite推理模型。详细说明如何在端侧利用MindSpore Lite C++ API（Android JNI）和MindSpore Lite图像分类模型完成端侧推理，实现对单张图片进行分类，显示出最可能的分类结果。

你可以在这里找到Android图像分类模型和图像分类示例代码。

本示例中讲述了C++ API的应用方法，此外MindSpore Lite还支持Java API。关于Java API的使用请参考图像分割demo。

本应用开发环境为Windows。

我们提供了本示例对应的APK文件，你可扫描下方的二维码或直接下载APK文件，并部署到Android设备后使用。

apk

选择模型

MindSpore团队提供了一系列预置终端模型，你可以在应用程序中使用这些预置的终端模型。
可下载MindSpore Model Zoo中图像分类模型。 同时，你也可以使用预置模型做迁移学习，以实现自己的图像分类任务。

转换模型

如果预置模型已经满足你要求，请跳过本章节。 如果你需要对MindSpore提供的模型进行重训，重训完成后，需要将模型导出为.mindir格式。然后使用MindSpore Lite模型转换工具将.mindir格式转换成.ms格式。

以mobilenetv2模型为例，如下脚本将其转换为MindSpore Lite模型用于端侧推理。

call converter_lite --fmk=MINDIR --modelFile=mobilenetv2.mindir --outputFile=mobilenetv2

部署应用

接下来介绍如何构建和执行mindspore Lite端侧图像分类任务。

运行依赖

  • Android Studio >= 3.2 (推荐4.0以上版本)

  • NDK 21.3

  • CMake >= 3.18.3

  • Android SDK >= 26

  • JDK >= 1.8

构建与运行

  1. 在Android Studio中加载本示例源码，并安装相应的SDK（指定SDK版本后，由Android Studio自动安装）。

    start_home

    启动Android Studio后，点击File->Settings->System Settings->Android SDK，勾选相应的SDK。如下图所示，勾选后，点击OK，Android Studio即可自动安装SDK。

    start_sdk

    （可选）若安装时出现NDK版本问题，可手动下载相应的NDK版本（本示例代码使用的NDK版本为21.3），并在Project Structure的Android NDK location设置中指定NDK的位置。

    project_structure

  2. 连接Android设备，运行图像分类应用程序。

    通过USB连接Android设备调试，点击Run 'app'即可在你的设备上运行本示例项目。

    run_app

    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调试中打开“USB调试模式”。

  3. 打开APP后，在首页点击分类模块，即可点击中间按钮进行拍照获取图片，或者点击上侧栏的图像按钮选择进行图片相册用于图像分类功能。

    install

    在默认情况下，MindSpore Vision分类模块内置了一个通用的AI网络模型对图像进行识别分类。也可以自定义模型在APP上进行调试。

    result

示例程序详细说明

本端侧图像分类Android示例程序分为JAVA层和JNI层。其中，JAVA层主要完成Android页面的绘制功能以及通过拍照或打开手机相册获取一张图片对其后续的推理操作；JNI层在Runtime中完成模型推理的过程。

此处详细说明示例程序的JNI层实现，JAVA层页面绘制功能实现以及图像帧处理等功能，需读者具备一定的Android开发基础知识。

示例程序结构

enginelibrary
├── src/main
│   ├── assets # 资源文件
|   |   └── mobilenetv2.ms # 存放的模型文件
│   |
│   ├── cpp # 模型加载和预测主要逻辑封装类
|   |   └── classification
|   |       ├── CommonMindSporeNetnative.cpp # 通用MindSpore调用相关的JNI方法
│   |       ├── CommonMindSporeNetnative.h # 头文件
|   |       ├── CustomMindSporeNetnative.cpp # 自定义MindSpore调用相关的JNI方法
│   |       ├── CustomMindSporeNetnative.h # 头文件
|   |
|   |   └── mindspore-lite-{version}-android-{arch} # MindSpore Lite版本
|   |
|   |   └── CMakeList.txt # cmake编译入口文件
|   |
|   |   └── MSNetWork.cpp # MindSpore接口封装
│   |
│   ├── java # java层应用代码
│   │   └── com.mindspore.enginelibrary
│   │       └── train # 图像处理及MindSpore JNI调用相关实现
│   │
│   ├── res # 存放Android相关的资源文件
│   └── AndroidManifest.xml # Android配置文件
│
│
├── build.gradle # 其他Android配置文件
├── download.gradle # 工程依赖文件下载
└── ...

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}-android-{arch}.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。

arch：操作系统，arm64或arm32。

本示例中，build过程由app/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。

注： 若自动下载失败，请手动下载操作系统为Android-aarch64/Android-aarch32的MindSpore Lite 模型推理框架相关库文件mindspore-lite-{version}-android-{arch}.tar.gz，解压后将mindspore-lite-{version}-android-{arch}的文件夹拷贝到src/main/cpp目录下。

android{
    defaultConfig{
        externalNativeBuild{
            cmake{
                arguments "-DANDROID_STL=c++_shared"
            }
        }

        ndk{
            abiFilters'armeabi-v7a', 'arm64-v8a'  
        }
    }
}

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

# ============== Set MindSpore Dependencies. =============
include_directories(${CMAKE_SOURCE_DIR})
include_directories(${CMAKE_SOURCE_DIR}/${MINDSPORELITE_VERSION})
include_directories(${CMAKE_SOURCE_DIR}/${MINDSPORELITE_VERSION}/runtime/third_party)
include_directories(${CMAKE_SOURCE_DIR}/${MINDSPORELITE_VERSION}/runtime/include)
include_directories(${CMAKE_SOURCE_DIR}/${MINDSPORELITE_VERSION}/runtime/include/dataset)
include_directories(${CMAKE_SOURCE_DIR}/${MINDSPORELITE_VERSION}/runtime/include/dataset/lite_cv)
include_directories(${CMAKE_SOURCE_DIR}/${MINDSPORELITE_VERSION}/runtime)
include_directories(${CMAKE_SOURCE_DIR}/${MINDSPORELITE_VERSION}/runtime/include/ir/dtype)
include_directories(${CMAKE_SOURCE_DIR}/${MINDSPORELITE_VERSION}/runtime/include/schema)

add_library(mindspore-lite SHARED IMPORTED)
add_library(minddata-lite SHARED IMPORTED)
add_library(libjpeg SHARED IMPORTED)
add_library(libturbojpeg SHARED IMPORTED)

set_target_properties(mindspore-lite PROPERTIES IMPORTED_LOCATION
        ${CMAKE_SOURCE_DIR}/${MINDSPORELITE_VERSION}/runtime/lib/libmindspore-lite.so)
set_target_properties(minddata-lite PROPERTIES IMPORTED_LOCATION
        ${CMAKE_SOURCE_DIR}/${MINDSPORELITE_VERSION}/runtime/lib/libminddata-lite.so)
set_target_properties(libjpeg PROPERTIES IMPORTED_LOCATION
        ${CMAKE_SOURCE_DIR}/${MINDSPORELITE_VERSION}/runtime/third_party/libjpeg-turbo/lib/libjpeg.so)
set_target_properties(libturbojpeg PROPERTIES IMPORTED_LOCATION
        ${CMAKE_SOURCE_DIR}/${MINDSPORELITE_VERSION}/runtime/third_party/libjpeg-turbo/lib/libturbojpeg.so)

# --------------- MindSpore Lite set End. --------------------

# Link target library.
target_link_libraries( # Specifies the target library.
        mlkit-label-MS

        mindspore-lite
        minddata-lite
        libjpeg
        libturbojpeg

        # --- other dependencies.---
        -ljnigraphics
        android

        # Links the target library to the log library
        ${log-lib}
        )

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终端图像分类模型文件为mobilenetv2.ms，同样通过app/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。

注：若下载失败请手工下载模型文件mobilenetv2.ms。

编写端侧推理代码

在JNI层调用MindSpore Lite C++ API实现端侧推理。

推理代码流程如下，完整代码请参见CommonMindSporeNetnative.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：

      在Android的Java层读取模型文件，转换成ByteBuffer类型文件model_buffer，通过JNI调用传输到C++层。最终将model_buffer转换成char类型文件modelBuffer。

      // Buffer is the model data passed in by the Java layer
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;
}

    • 构建上下文、会话以及用于推理的计算图：

      构建上下文，设置会话参数。通过上下文和模型数据创建会话。

      // To create a MindSpore network inference environment.
void **labelEnv = new void *;
MSNetWork *labelNet = new MSNetWork;
*labelEnv = labelNet;

auto context = std::make_shared<mindspore::Context>();
if (context == nullptr) {
    MS_PRINT("context create failed!");
    delete labelNet;
    delete labelEnv;
    return (jlong) nullptr;
}

context->SetThreadNum(num_thread);
context->SetThreadAffinity(0);
auto &device_list = context->MutableDeviceInfo();
auto cpuDeviceInfo = std::make_shared<mindspore::CPUDeviceInfo>();
cpuDeviceInfo->SetEnableFP16(false);
device_list.push_back(cpuDeviceInfo);

      基于模型文件modelBuffer构建用于推理的计算图。

      bool MSNetWork::BuildModel(char *modelBuffer, size_t bufferLen,
                           std::shared_ptr<mindspore::Context> ctx) {
model_ = std::make_shared<mindspore::Model>();
if (model_ == nullptr) {
    MS_PRINT("MindSpore build model failed!.");
    return false;
}
auto ret = model_->Build(modelBuffer, bufferLen, mindspore::ModelType::kMindIR, ctx);
return ret.IsOk();
}

  2. 将输入图片转换为传入MindSpore模型的Tensor格式。

    • 将待检测图片srcBitmap进行尺寸裁剪并转换为LiteMat格式lite_norm_mat_cut。对其宽高以及通道数信息转换成float格式数据dataHWC。最终把dataHWC拷贝到MindSpore模型的Tensor输入inTensor中。

      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 mModel = labelNet->model();
if (mModel == nullptr) {
    MS_PRINT("MindSpore error, Model is a nullptr.");
    return NULL;
}
MS_PRINT("MindSpore get Model.");

auto msInputs = mModel->GetInputs();
if (msInputs.empty()) {
    MS_PRINT("MindSpore error, msInputs.size() equals 0.");
    return NULL;
}
auto inTensor = msInputs.front();

float *dataHWC = reinterpret_cast<float *>(lite_norm_mat_cut.data_ptr_);
// Copy dataHWC to the model input tensor.
memcpy(inTensor.MutableData(), dataHWC,
        inputDims.channel * inputDims.width * inputDims.height * sizeof(float));

      调整输入图片的尺寸，以及数据处理详细算法。

      bool PreProcessImageData(const LiteMat &lite_mat_bgr, LiteMat *lite_norm_mat_ptr) {
    bool ret = false;
    LiteMat lite_mat_resize;
    LiteMat &lite_norm_mat_cut = *lite_norm_mat_ptr;
    ret = ResizeBilinear(lite_mat_bgr, lite_mat_resize, 256, 256);
    if (!ret) {
    MS_PRINT("ResizeBilinear error");
    return false;
    }
    LiteMat lite_mat_convert_float;
    ret = ConvertTo(lite_mat_resize, lite_mat_convert_float, 1.0 / 255.0);
    if (!ret) {
        MS_PRINT("ConvertTo error");
        return false;
    }
    LiteMat lite_mat_cut;
    ret = Crop(lite_mat_convert_float, lite_mat_cut, 16, 16, 224, 224);
    if (!ret) {
        MS_PRINT("Crop error");
        return false;
    }
    std::vector<float> means = {0.485, 0.456, 0.406};
    std::vector<float> stds = {0.229, 0.224, 0.225};
    SubStractMeanNormalize(lite_mat_cut, lite_norm_mat_cut, means, stds);
    return true;
}

  3. 对输入Tensor按照模型进行推理，获取输出Tensor，并进行后处理。

    • 图和模型加载完成，执行端侧推理。

      std::vector<mindspore::MSTensor> outputs;
// After the model and image tensor data is loaded, run inference.
auto status = mModel->Predict(msInputs, &outputs);

    • 获取对MindSpore模型的Tensor输出msOutputs。通过msOutputs以及分类数组信息，计算得到在APP中显示的文本信息resultCharData。

      auto names = mModel->GetOutputTensorNames();
std::unordered_map<std::string, mindspore::MSTensor> msOutputs;
for (const auto &name : names) {
    auto temp_dat = mModel->GetOutputByTensorName(name);
    msOutputs.insert(std::pair<std::string, mindspore::MSTensor>{name, temp_dat});
}
std::string resultStr = ProcessRunnetResult(::RET_CATEGORY_SUM,::labels_name_map, msOutputs);

const char *resultCharData = resultStr.c_str();
return (env)->NewStringUTF(resultCharData);

      输出数据的后续处理。通过msOutputs获取输出对象outputTensor，并和事物类别数组labels_name_map解析得到每个元素的训练的得分数组scores[]。 设置可信度阀值为unifiedThre，根据训练数据统计可信度阀值。高于阀值，归属于这个类型。反之，则不是。最终返回一个对应事物类别名称和对应得分的数据categoryScore。

      std::string ProcessRunnetResult(const int RET_CATEGORY_SUM, const char *const labels_name_map[],
                                std::unordered_map<std::string, mindspore::MSTensor> msOutputs) {
// Get the branch of the model output.
// Use iterators to get map elements.
std::unordered_map<std::string, mindspore::MSTensor>::iterator iter;
iter = msOutputs.begin();

// The mobilenetv2.ms model output just one branch.
auto outputTensor = iter->second;

int tensorNum = outputTensor.ElementNum();
MS_PRINT("Number of tensor elements:%d", tensorNum);

// Get a pointer to the first score.
float *temp_scores = static_cast<float *>(outputTensor.MutableData());
float scores[RET_CATEGORY_SUM];
for (int i = 0; i < RET_CATEGORY_SUM; ++i) {
    scores[i] = temp_scores[i];
}

const float unifiedThre = 0.5;
const float probMax = 1.0;
for (size_t i = 0; i < RET_CATEGORY_SUM; ++i) {
    float threshold = g_thres_map[i];
    float tmpProb = scores[i];
    if (tmpProb < threshold) {
    tmpProb = tmpProb / threshold * unifiedThre;
    } else {
    tmpProb = (tmpProb - threshold) / (probMax - threshold) * unifiedThre + unifiedThre;
    }
    scores[i] = tmpProb;
}

for (int i = 0; i < RET_CATEGORY_SUM; ++i) {
    if (scores[i] > 0.5) {
    MS_PRINT("MindSpore scores[%d] : [%f]", i, scores[i]);
    }
}

// Score for each category.
// Converted to text information that needs to be displayed in the APP.
std::string categoryScore = "";
for (int i = 0; i < RET_CATEGORY_SUM; ++i) {
    categoryScore += labels_name_map[i];
    categoryScore += ":";
    std::string score_str = std::to_string(scores[i]);
    categoryScore += score_str;
    categoryScore += ";";
}
return categoryScore;
}