移动端目标识别(2)——使用TENSORFLOW LITE将TENSORFLOW模型部署到移动端(SSD)之TF Lite Developer Guide

TF Lite开发人员指南

目录：

　　　１　选择一个模型

　　　　　　使用一个预训练模型

　　　　　　使用自己的数据集重新训练inception-V3,MovileNet

　　　　　　训练自己的模型

　　　２　转换模型格式

　　　　　　转换tf.GraphDef

　　　　　　完整转换器参考

　　　　　　计算节点兼容性

　　　　　　Graph　可视化工具

　　　３　在移动端app,使用TensorFlow Lite模型推理

android

IOS

Raspberry PI

　　　使用一个TensorFlow Lite　模型在你的移动端app需要受到需要约束：首先，你必须有训练好的模型（预训练／自己训练），其次，将模型转换为TensorFlow Lite格式，最后，在app内整合模型．

１　选择一个模型

　　根据使用场景，你可以选择一个广泛应用的开源模型，比如InceptionV3,Mobilenets,和使用自己的数据集训练的模型，甚至使用自己设计的模型．

　　使用预训练的模型：

　　　　MobileNets是TensorFlow的移动优先计算机视觉模型系列，旨在有效地最大限度地提高准确性，同时考虑到设备或嵌入式应用程序的受限资源．MobileNets是小型，低延迟，低功耗模型，参数化以满足各种用途的资源限制。它们可用于分类，检测，嵌入和分割 - 类似于其他流行的大型模型，例如Inception。Google为MobileNets提供了16个经过预先培训的ImageNet分类ckpt模型文件，可用于各种规模的移动项目。

　　　　Inception-v3是一种图像识别模型，可以实现相当高的准确度，可以识别1000个类别的一般对象，例如“斑马”，“达尔马提亚”和“洗碗机”。该模型使用卷积神经网络从输入图像中提取一般特征，并基于具有完全连接和softmax层的那些特征对它们进行分类。

　　　　On Device Smart Reply是一种设备上模型，通过建议与上下文相关的消息，为传入的文本消息提供一键式回复。该模型专为内存受限设备（如手表和手机）而构建，并已成功用于Android Wear上的Smart Replies．目前这个模型是安卓特有的．

　　　　这些预训练的模型可用下载链接是：https://www.tensorflow.org/lite/models　　　　

　　使用自己的数据，重新train Inception-V3 或MobileNet

　　　　这些预训练的模型使用ImageNet 数据集训练预定义的1000个类别．如果这些类别在你的业务场景中并不足够，预训练的模型将需要重新训练．在预训练模型基础上再训练，我们称之为迁移学习，就是一个已经在某个解决方式上训练的模型，在相似的问题上，使用自己的数据重训练．深度学习从头开始训练将花费很多天的时间，但是迁移学习十分快．为了实现迁移学习，你需要生成自己的数据和标注．

　　　Tensorflow for poets(https://codelabs.developers.google.com/codelabs/tensorflow-for-poets/#0)代码库逐步完成了重新培训过程.该代码支持浮点和量化推理.

训练自己的模型：

　　　　开发者选择tensorflow 训练自己的模型（详细见tensorflow tutorials).如果，你已经有了一个写好的模型，你需要做的就是输出这个模型为tf.GraphDef文件．这是必需的，因为某些格式不会将模型结构存储在代码之外，我们必须与框架的其他部分进行通信。 查看 Exporting the Inference Graph：https://www.tensorflow.org/tutorials/keras/save_and_restore_models#save_the_entire_model，以通过自己的模型创建tf.GraphDef文件．

　　　　tensorflow lite 目前支持tensorflow 操作的子集，请查阅： TensorFlow Lite & TensorFlow Compatibility Guide（https://www.tensorflow.org/lite/tf_ops_compatibility）获取当前支持的操作和使用方式．这个操作集合将在未来发布的tensorlow lite 版本上不断增加．

　

２　转换模型格式

　　　TensofFlow Lite Converter（https://www.tensorflow.org/lite/convert/index）转换器支持下面的文件格式：

　　　　　　　SacedModel :一个图定义文件GraphDef,和ckpt保存的模型，包含输入输出的签名和参数．查看文档使用python（https://www.tensorflow.org/lite/convert/python_api#basic_savedmodel）和命令行（https://www.tensorflow.org/lite/convert/cmdline_examples#savedmodel）

　　　　　　　tf.keras 一个HDF5文件，包含tf.keras生成的模型文件，输入输出参数．查看python(https://www.tensorflow.org/lite/convert/python_api#basic_keras_file)或者命令行(https://www.tensorflow.org/lite/convert/cmdline_examples#keras)

　　　　frozen　tf.GraphDef 属于不包含变量tf.GraphDef的子类．一个GraphDef可以被转换为grizen GraphDef，通过一个带有ckpt的模型和GraphDef文件，并使用从ckpt检索的值将每个变量转换为常量.有关将tf.GraphDef转换为TensorFlow Lite模型的说明将在下一小节中介绍。

转换tf.GraphDef

TensorFlow模型可以保存为.pb或.pbtxt tf.GraphDef文件。为了将tf.GraphDef文件转换为TensorFlow Lite，必须首先frozen模型。此过程会调用多种文件格式，包括frozen的GraphDef：

tf.GraphDef（.pb或.pbtxt） - 表示TensorFlow训练或计算图的protobuf。它包含运算符，张量和变量定义。

checkpoint（.ckpt） - 来自TensorFlow图的序列化变量。由于这不包含图形结构，因此无法自行解释。

TensorFlow Lite模型（.tflite） - 一个序列化的FlatBuffer，包含用于TensorFlow Lite解释器的TensorFlow Lite运算符和张量。

您必须拥有包含训练权值的检查点ckpt文件。 tf.GraphDef文件仅包含图形的结构。将检查点值与图结构合并的过程称为冻结图（freezing the graph）.

tf.GraphDef和MobileNet模型的检查点文件可在此处获得:https://github.com/tensorflow/models/blob/master/research/slim/nets/mobilenet_v1.md

要冻结图形freeze the graph，请使用以下命令（更改参数）

freeze_graph --input_graph=/tmp/mobilenet_v1_224.pb \
  --input_checkpoint=/tmp/checkpoints/mobilenet-10202.ckpt \
  --input_binary=true \
  --output_graph=/tmp/frozen_mobilenet_v1_224.pb \
  --output_node_names=MobileNetV1/Predictions/Reshape_1

读取二进制protobuf（.pb文件）时，将input_binary标志设置为True。对于.pbtxt文件，设置为False。

将input_graph和input_checkpoint设置为相应的文件名。在构建模型的代码之外，output_node_names可能并不明显。找到它们的最简单方法是使用TensorBoard或graphviz可视化图形。

freeze的GraphDef现在可以转换为FlatBuffer格式（.tflite），以便在Android或iOS设备上使用.对于Android，TensorFlow Lite转换器工具支持浮点和量化模型。要将冻结的GraphDef转换为.tflite格式，请使用类似于以下内容的命令：

tflite_convert \
  --output_file=/tmp/mobilenet_v1_1.0_224.tflite \
  --graph_def_file=/tmp/mobilenet_v1_0.50_128/frozen_graph.pb \
  --input_arrays=input \
  --output_arrays=MobilenetV1/Predictions/Reshape_1

这里使用的frozen_graph.pb文件可供下载:https://storage.googleapis.com/download.tensorflow.org/models/mobilenet_v1_1.0_224_frozen.tgz

设置input_array和output_array参数并不简单.找到这些值的最简单方法是使用TensorBoard探索图形。在freeze_graph步骤中重用用于指定推理的输出节点的参数。

完整转换器参考

TensorFlow Lite转换器可以是Python（https://www.tensorflow.org/lite/convert/python_api），也可以是命令行（https://www.tensorflow.org/lite/convert/cmdline_examples）。这允许您将转换步骤集成到模型设计工作流程中，确保模型易于转换为移动推理图.

Ops兼容性

有关故障排除帮助，请参阅操作兼容性指南（https://www.tensorflow.org/lite/tf_ops_compatibility），如果这样做无效，请提出问题（https://github.com/tensorflow/tensorflow/issues）。

图形可视化工具

　　　 development repo（https://github.com/tensorflow/tensorflow）包含一个在转换后可视化TensorFlow Lite模型的工具。要构建visualize.py　（https://github.com/tensorflow/tensorflow/blob/master/tensorflow/lite/tools/visualize.py）工具：

bazel run tensorflow/lite/tools:visualize -- model.tflite model_viz.html

　　这将生成一个交互式HTML页面，其中列出了子图，操作和图形可视化

3.使用TensorFlow Lite模型在移动应用程序中进行推理

　　　完成前面的步骤后，您现在应该有一个.tflite模型文件。

Android

　　　由于Android应用程序是用Java编写的，核心TensorFlow库是用C ++编写的，因此提供了一个JNI库作为接口．这仅用于推理 - 它提供加载图形，设置输入和运行模型以计算输出的能力。开源Android演示应用程序使用JNI接口，可在GitHub上使用(https://github.com/tensorflow/tensorflow/tree/master/tensorflow/lite/java/demo/app)．您还可以下载预建的APK(http://download.tensorflow.org/deps/tflite/TfLiteCameraDemo.apk)。有关详细信息，请参阅Android演示指南(https://www.tensorflow.org/lite/demo_android)。Android移动(https://www.tensorflow.org/lite/android_build)指南提供了在Android上安装TensorFlow以及设置bazel和Android Studio的说明。　

Ios ．．．

树莓派　．．．