编写一个移动图像分类 Android 应用程序

此应用程序使用图像分类功能，实时连续分类设备摄像头所看到的物体，并在屏幕上显示最可能的推理结果。

此示例应用程序使用了预训练的 TorchVision MOBILENET V2。

先决条件

Android Studio 4.1+ (安装在 Mac/Windows/Linux 上)
Android SDK 29+
Android NDK r21+
处于开发者模式并启用 USB 调试的带摄像头的 Android 设备
克隆 onnxruntime-inference-examples 源代码仓库

准备应用程序中使用的模型和数据

将模型转换为 ORT 格式

打开使用 ONNX Runtime 进行 Mobilenet v2 量化的 Jupyter Notebook，此 Notebook 将演示如何
- 将预训练的 MobileNet V2 FP32 模型从 PyTorch 导出为 FP32 ONNX 模型
- 将 FP32 ONNX 模型量化为 uint8 ONNX 模型
- 将 FP32 和 uint8 ONNX 模型都转换为 ORT 模型
注意：此步骤是可选的，您可以在此处下载 FP32 和 uint8 ORT 模型。

下载模型类别标签

wget https://raw.githubusercontent.com/pytorch/hub/master/imagenet_classes.txt

将标签文件和模型复制到示例应用程序资源目录

cd onnxrutime-inference-examples
cp *.ort mobile/examples/image_classification/android/app/src/main/res/raw/
cp imagenet_classes.txt mobile/examples/image_classification/android/app/src/main/res/raw/

作为步骤 1-3 的替代方案，您可以使用此预构建脚本将模型和数据下载到正确的目录

cd onnxruntime-inference-examples
mobile/examples/image_classification/android/download_model_files.sh

创建 Android 应用程序

在 Android Studio 中打开示例应用程序

打开 Android Studio 并选择 Open an existing project，浏览文件夹并打开 mobile/examples/image_classification/android/ 文件夹。

此项目使用已发布的 ONNX Runtime Android 包。您也可以通过仅包含模型中的运算符来自定义 ONNX Runtime，从而减小应用程序的大小。有关如何执行此操作以及如何将生成的包包含到 Android 应用程序中的更多信息，请参阅Android 自定义构建说明
构建应用程序

在 Android Studio 顶部工具栏中选择 Build -> Make Project，并检查项目是否已成功构建。
连接您的 Android 设备并运行应用程序

将您的 Android 设备连接到电脑，并在顶部下拉设备栏中选择您的设备。

然后选择 Run -> Run app，这将提示应用程序安装到您的设备上。

现在，您可以通过在设备上打开应用程序 ort_image_classifier 进行测试和尝试。该应用程序可能会请求使用摄像头的权限。

以下是应用程序的示例截图。