在android手机上运行自己训练的MobileNet模型识别手势数字，通过修改官方例程app实现

最新推荐文章于 2024-08-05 20:32:48 发布
最新推荐文章于 2024-08-05 20:32:48 发布
阅读量5.7k 收藏 22
点赞数 8
分类专栏： 深度学习 TensorFlow 文章标签： 深度学习 TensorFlow mobilenet android
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/xazzh/article/details/79564646
版权

使用MoblieNet训练了一个识别数字手势的模型，先看看识别效果。



下面是教程：

首先要从git上下载官方的例程，https://github.com/tensorflow/tensorflow

之后分为两步，

第一步搜集足够多的样本图片，使用官方例程中的tensorflow/examples/image_retraining训练出自己的模型。

由于找不到合适的手势图片集，我使用手机的连拍功能，找了几个小伙伴，一起拍了大概三千张照片，制作了一个简单的手势图片集。


之后再image_retraining目录下建立一个文件夹，将图片放入，在子文件夹中分类，子文件夹名称就是类别名称。

之后运行retrain.py脚本

python retrain.py     --image_dir hands   --architecture mobilenet_1.0_224 --output_labels hands_labels.txt --output_graph hands_graph.pb 
image_dir 是图片文件夹名
architecture 是所选用的模型
output_labels 是输出的模型名
output_graph 是模型对应的label文件

其中label和graph文件使我们需要的两个文件，成功生成这两个文件后可以进行第二步。


第二步是修改tensorflow/examples/android这个程序。

先安装android studio，然后选择open project，打开tensorflow/examples/android，编译运行，中间需要什么库就安装什么库。运行成功后手机上会安装四个demo app，挺有意思，大家可以玩玩。

我们通过修改其中的TF classify，在其中运行我们刚刚训练的自己的模型。

首先将刚刚生成的pb和txt文件放入tensorflow/examples/android/asset文件夹内

修改tensorflow/examples/android/src/org/tensorflow/demo/ClassifierActivity.java中的

	private static final int INPUT_SIZE = 224;   
	private static final int IMAGE_MEAN = 128;
	private static final float IMAGE_STD = 128 ;
	private static final String INPUT_NAME = "input";
	private static final String OUTPUT_NAME = "final_result";

	private static final String MODEL_FILE = "file:///android_asset/hands_graph.pb";   （改成自己的pb）
	private static final String LABEL_FILE =
	    "file:///android_asset/hands_labels.txt";（改成自己的txt文件名）
编译运行，之后就会发现TF classify中已经变成了自己的模型。
xazzh
关注
  • 8
    点赞
  • 踩
  • 22
    收藏
    觉得还不错? 一键收藏
  • 4
    评论
专栏目录
在Android上部署深度学习模型之Android NDK(一)
修炼之路
05-04 1699
导读 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。 环境 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
Android应用APP: 基于MobileNet和EfficientNet的图像分类模型_调试运行以及打包Tensorflow官方提供的Image classification demo
MasterQKK
02-17 984
提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档 调试运行以及打包Tensorflow官方提供的Image classification demo Android 项目环境准备JDK安装Android Studio安装项目准备项目分析项目导入项目分析**models**: 存放models文件（`**.tflite`）以及`labels.txt`，**app**:**lib_support**:**lib_task_api**:项目调试配置模拟器运行打包打包流程 环境准备 JDK安装
手机端mobileNet
09-01
mobileNet，用于快速实时的目标检测，可在手机端进行试用。
树莓派部署Mobilenet分类网络（二）
最新发布
weixin_65640792的博客
08-05 165
在树莓派中创建Thommy文件将下列，将电脑上训练的代码通过VNC传输到树莓派上，只需要把模型和json格式的类别的路径放入相应位置后，就可以实现单片机发送'e'，树莓派接收到以后直接发送类别回传给单片机。
android mobilenet检测,在android手机上运行自己训练的MobileNet模型识别手势数字，通过修改官方例程app实现...
weixin_33695092的博客
05-28 398
使用MoblieNet训练了一个识别数字手势的模型，先看看识别效果。下面是教程：首先要从git上下载官方的例程，https://github.com/tensorflow/tensorflow之后分为两步，第一步搜集足够多的样本图片，使用官方例程中的tensorflow/examples/image_retraining训练出自己的模型。由于找不到合适的手势图片集，我使用手机的连拍功能，找了几个小...
MobileNet 2020新版教程 自定义训练集 利用TensorFlow & TensorFlow Lite在Android手机部署分类器
JennyGreen1124的博客
03-03 1199
我的目的是实现一个二分类的手机分类器（多分类同理），网上关于移动端实现MobileNet的教程有一大堆，这里推荐一个比较典型的博客。之所以还写一个教程，是因为网上搜索到的都是基于TensorFlowMobileNet官方代码实现的（据说这种方法在2019年已经被停止维护了）。于是，我跟随着上面博客的脚步准备数据（数据准备按上面博客就行了），试图跟着大佬一路走到黑，直到找到了官代上的ten...
ncnn填坑记录八：将自己训练的模型打包为APK并部署到安卓端运行
下大禹了的博客
06-22 2531
上一篇：ncnn填坑记录七：examples/squeezenet.cpp代码阅读 做一个分类任务，模型选取的mobilenetv3，训练好模型，并按前文依次转换为onnx、ncnn后，参考官方https://github.com/nihui/ncnn-android-squeezenet进行修改。 一. 在PC端运行 ncnn/examples文件夹下：squeezenet.cpp -->mobilenetv3.cpp 修改如下： #include "net.h" #include <alg
STM32单片机通过ESP8266WiFi模块与Android APP实现数据传输软件例程源码.zip
05-25
该压缩包文件“STM32单片机通过ESP8266WiFi模块与Android APP实现数据传输软件例程源码.zip”提供了一个完整的系统，使STM32单片机能够通过ESP8266 WiFi模块与Android应用程序进行数据通信。这个系统的核心在于STM32...
Python手势识别代码 基于MediaPipe手部关键点检测 识别数字手势
06-08
# Python手势识别代码 基于MediaPipe手部关键点检测 识别数字手势 1. 使用MediaPipe库实现手部21个关键点实时检测； 2. 根据手部关键点坐标计算五根手指的角度； 3. 通过手指角度判断手势，例程中包含数字0~9的手势...
基于STM32单片机+ESP8266WiFi模块与Android APP（源码）实现数据传输软件例程源代码.zip
04-26
基于STM32单片机+ESP8266WiFi模块与Android APP（源码）实现数据传输软件例程源代码 int main(void) { NVIC_PriorityGroupConfig(NVIC_PriorityGroup_2); delay_init(168); uart_init(115200); usart3_init...
0-9 数字识别样本及例程_识别_数字识别_源码
10-04
该项目提供了一个实例，通过基于类中心的最小距离法对400个数字样本进行训练，然后将这种方法应用到测试图片上，实现数字的自动识别。 首先，我们需要理解"基于类中心的最小距离法"。这是一种简单的分类算法，它的...
MobileNetV1:这是训练和测试神经网络的全过程
04-06
MobileNetV1 这是训练和测试神经网络的全过程
手写汉字数字识别详细过程（构建数据集+CNN神经网络+Tensorflow）
BIGWJZ的博客
06-26 9916
手写汉字数字识别（构建数据集+CNN神经网络） 期末，P老师布置了一个大作业，自己构建数据集实现手写汉字数字的识别。太捞了，记录一下过程。大概花了一个下午加半个晚上，主要是做数据集花时间。 一、构建数据集——使用h5py 1.收集数据，这部分由我勤劳的室友们一起手写了800个汉字 一、二、三、四、五、六、七、八、九、十完成。这部分也没啥好说的，慢慢写呗。我们用了IPAD，然后截图，这样出来的图片质...
神经网络学习小记录24——卷积神经网络经典模型及其改进点汇总
Bubbliiiing的学习小课堂
10-30 8414
神经网络学习小记录24——卷积神经网络经典模型及其改进点汇总学习前言经典神经网络的改进点经典神经网络的结构汇总1、VGG162、ResNet503、InceptionV34、Xception5、MobileNet 学习前言 学了好多好多的网络，它们的重点都是什么呢？ 经典神经网络的改进点 名称 改进点 VGG16 1、使用非常多的3*3卷积串联，利用小卷积代替大卷积，该操作使得其...
最新手势跟踪与识别
乐观进取　奋斗不止
07-05 3319
话不多说，请大家看视频，有疑问欢迎各位咨询：
mobileNet训练自己的样本
Stay fool & simple
11-28 4342
import matplotlib.pyplot as plt import numpy as np import tensorflow as tf from six.moves import xrange import os #from datainput import read_and_decode from mobileNet import mobilenet from tf_test imp
【教学】python基于mnist数据集的手写数字识别
分享知识
05-17 2493
直接上最终效果图 运行界面很简单，只要在代码中输入python 02文字识别界面程序.py即可弹出识别汉字的qt界面 python 02文字识别界面程序.py 然后是数据集的只做过程，本文是使用的cnn图像分类算法进行识别，比如lenet、alexnet、vgg、resnet、mobilenet、efficientnet等等，只要是图像分类算法基本都可以实现。 这里用的是mnist数据集。 训练代码如下： import torch import torch.nn as nn imp.
MobileNetV1网络结构训练模型（图像分类）
Keep_Trying_Go的博客
05-12 1199
文章目录1.MobileNetV1文章2.重新搭建MobileNetV1模型结构（便于训练）3.训练的结果4.图像分类测试 1.MobileNetV1文章 https://mydreamambitious.blog.csdn.net/article/details/124560414 2.重新搭建MobileNetV1模型结构（便于训练） 注：只要将代码中的网络结构换成下面的这个MobileNetV1结构即可（如果采用的是面向对象的方式设计的网络结构的话，在训练数据的时候需要做一些调整）并且再将代码中的一
第七课：MobileNetv1、MobileNetv2、MobileNetv3学习
qq_45825952的博客
09-20 1964
随着人工智能的不断发展，机器学习这门技术也越来越重要，很多人都开启了学习机器学习，本文就介绍了机器学习的基础内容。来源于哔哩哔哩博主“霹雳吧啦Wz”，博主学习作为笔记记录，欢迎大家一起讨论学习交流。
C# 用YOLO8训练自己的模型，代码实现例程
06-12
首先，需要下载并安装YOLOv3或YOLOv4，以及OpenCV和Darknet库。接下来，可以按照以下步骤进行自己模型的训练和测试。 1. 准备数据集 首先需要准备好训练所需的数据集。数据集应包括图像和相应的标注文件。标注文件应该包含每张图像中存在的物体的类别和位置信息。 2. 生成训练数据 使用OpenCV库的API，将图像和标注文件转换为Darknet所需的格式。可以使用以下代码示例： ``` // Load image cv::Mat image = cv::imread("path/to/image.jpg"); // Load annotation std::vector<Annotation> annotations = load_annotations("path/to/annotation.txt"); // Convert to Darknet format image.convertTo(image, CV_32F, 1.f / 255.f); cv::cvtColor(image, image, cv::COLOR_BGR2RGB); cv::Mat resized_image; cv::resize(image, resized_image, cv::Size(network_width, network_height), cv::INTER_LINEAR); std::vector<float> data(network_width * network_height * 3); for (int c = 0; c < 3; ++c) { for (int i = 0; i < network_width * network_height; ++i) { data[c * network_width * network_height + i] = resized_image.at<cv::Vec3f>(i)[c]; } } std::vector<float> label(num_classes + 5); label[0] = annotations[0].class_id; label[1] = annotations[0].x / image.cols; label[2] = annotations[0].y / image.rows; label[3] = annotations[0].width / image.cols; label[4] = annotations[0].height / image.rows; // Save as Darknet format std::ofstream outfile("path/to/train.txt", std::ios_base::app); outfile << "path/to/image.jpg "; for (int i = 0; i < label.size(); ++i) { outfile << label[i] << " "; } outfile << std::endl; ``` 3. 配置网络 在Darknet中，YOLOv3和YOLOv4的网络配置文件位于cfg/文件夹下。可以使用其中的配置文件，或者根据自己的需求进行修改。 4. 训练模型 使用以下命令开始训练模型： ``` ./darknet detector train path/to/data.data path/to/cfg.cfg path/to/weights.weights ``` 其中，path/to/data.data是数据集的配置文件，path/to/cfg.cfg是网络配置文件，path/to/weights.weights是预训练权重文件（如果有的话）。 5. 测试模型 使用以下命令测试模型： ``` ./darknet detector test path/to/data.data path/to/cfg.cfg path/to/weights.weights path/to/image.jpg ``` 其中，path/to/image.jpg是要测试的图像文件。 6. 使用模型 在C#中使用训练好的模型可以参考Darknet的API，或者使用第三方库，如DarknetDotNet或YOLOSharp。可以使用以下代码示例： ``` // Load model var model = new Darknet(path/to/cfg.cfg, path/to/weights.weights); // Load image var image = CvInvoke.Imread("path/to/image.jpg"); // Convert to Darknet format var input = new Image<Bgr, float>(image) .Resize(model.Width, model.Height, Emgu.CV.CvEnum.Inter.Linear) .Convert<Bgr, float>() .ExtractVector<float>() .ToArray(); // Run model var output = model.Run(input); // Parse output var results = Darknet.ParseOutput(output, model.OutputNames, model.Width, model.Height, num_classes, confidence_threshold, nms_threshold); ``` 其中，path/to/cfg.cfg是网络配置文件，path/to/weights.weights是训练好的权重文件，num_classes是类别数，confidence_threshold是置信度阈值，nms_threshold是非极大值抑制阈值。
评论 4
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值