上一篇部落格中介紹瞭如何使用Tensorflow object detection API 搭建屬於自己的物體識別模型(https://blog.csdn.net/dy_guox/article/details/79111949)，由於我們的模型是基於ssd_mobilenet訓練，這個模型本身是相對較為輕量級的，也可以在手機上使用，因此，這篇部落格將介紹如何將Tensorflow object detection API 訓練的模型遷移匯入到手機中使用。

首先需要確認，已經訓練好了自己的模型（以 .pb結尾）。即在object_detection\tv_vehicle_inference_graph資料夾下的 frozen_inference_graph.pb 檔案。接下來將以我在視訊教程中的例子（檢測武大靖）進行示範。（參考之前部落格教程的視訊地址：

首先，將 frozen_inference_graph.pb 檔案重新命名為 WDJ_frozen_inference_graph.pb， 這樣便於跟其他模型區分開來。

我的測試將在Android系統進行，IOS系統沒有測試。

執行效果視訊：

如果你覺得有點幫助，歡迎投幣支援。

1、安裝配置 TensorFlow on Android

上述網址有詳細的教程，考慮到國內可能被牆，繼續重複一遍。

首先先根據提示把Demo跑起來，後面的工作在此基礎上進行。

去官網下載安裝即可。

2）在Github上 clone TensorFlow 

如果電腦上安裝了Git，那麼在特定目錄下，執行git 命令

git clone https://github.com/tensorflow/tensorflow

如果連Git都沒有，那就到

右上方綠色“clone or download”下載 zip到本地，解壓。

3）搭建 Android Studio環境

開啟Android Studio，選擇 “Open an existing Android Studio project”，在“Open File or Project”，選擇在2）中對應的 tensorflow/examples/android 資料夾，OK。如果需要“Gradle Sync”，選擇OK。第一次啟動可能需要安裝或更新很多模組，耐心等待。

4） 在 build.gradle

// set to 'bazel', 'cmake', 'makefile', 'none'def nativeBuildSystem ='none'

5) 點選上方選單 Run -> Run 'android'  命令， 在彈出選單選擇 右側的 Proceed Without Instant Run。

6）同時，開啟手機的開發者模式與USB除錯，用USB連線電腦。不同手機方法不同，自行百度。

成功連線後執行命令時會識別對應手機型號，選擇後繼續，將會在手機上安裝4個不同的APP，期間注意檢視手機，允許安裝（預設會拒絕）。

7）4個不同APP有不同的功能，大概就是深度學習的幾個重要的研究方向：

TF Classify. 物體識別，識別圖中有什麼物體；

TF Detect. 物體檢測，除了識別有什麼物體，還能檢測物體的位置，跟上一篇部落格的目的一致，也是本部落格模型遷移的目標；

TF Stylize. 實時風格變換，將攝像頭拍攝到的圖片自動轉換成不同的風格，類似前段時間很火的模仿梵高作畫；

TF Speech. 選擇單詞說出來，軟體能識別。

Demo視訊如下：

2.配置模型

1）將之前訓練好的識別武大靖的模型 WDJ_frozen_inference_graph.pb 放在 Android資料夾中的 assets 

資料夾下。

2）繼續在當前資料夾下，能發現數個 ‘...labels.txt’ 檔案，複製其中任意一個，重新命名為 “WDJ_labels.txt”用於儲存標籤，名字隨意起，只要你自己能理解就行。開啟 “WDJ_labels.txt”，建議用 Sublime Text，直接用記事本開啟所有標籤會擠在同一行。在Sublime text中，發現第一行是“？？？”，不用管，後面每一行是一個標籤，由於我的任務只有一個，就是“WDJ”，注意標籤跟之前訓練模型時候保持一致。儲存退出。

3） 查詢 “DetectorActivity.java”檔案，用Sublime text 開啟，找到 TF_OD_API_MODEL_FILE 與 TF_OD_API_LABELS_FILE 這兩個變數，前一個改成自己模型的路徑，如  ".../assets/WDJ_frozen_inference_graph.pb"，後一個改成標籤 .txt檔案的路徑，如 “.../assets/WDJ_labels.txt”

4 ）“DetectorActivity.java” 檔案中  MINIMUM_CONFIDENCE_TF_OD_API  變數，決定最低多少置信度畫識別的框，如果發現移植到手機上的模型效果不理想，可以把這個值調低，就會更容易識別出物體（但是也更容易誤識別），根據自己的實際執行效果測試修改。

3. Run 

跟第1步中一樣的執行步驟，等待安裝。完成後在手機上開啟 TF Detect ，發現跟Demo不一樣了（我們不一樣！）。

具體效果視訊：

當然，因為之前的模型訓練的效果就很一般，所以在手機上的效果也是半斤八兩甚至還要差，但是至少能跑了。對比之前視訊裡的效果，這樣的結果也在預期之內，如果想追求完美，那就多訓練資料，用更好的模型，比如mobile net V2，這就有待讀者自己探索了。

參考資料：

https://towardsdatascience.com/detecting-pikachu-on-android-using-tensorflow-object-detection-15464c7a60cd

https://www.tensorflow.org/mobile/android_build