本頁面由 Cloud Translation API 翻譯而成。

建立 Android 應用程式來偵測圖片中的物件

1. 事前準備

在本程式碼研究室中，您將瞭解如何透過 TensorFlow Serving 搭配 REST 和 gRPC 執行 Android 應用程式執行物件偵測推論。

必要條件

Java 的 Android 開發基本知識
TensorFlow 機器學習基本知識，例如訓練和部署
終端機和 Docker 的基本知識

課程內容

如何在 TensorFlow Hub 中尋找預先訓練的物件偵測模型。
瞭解如何透過 TensorFlow Serving (REST 和 gRPC) 使用下載的物件偵測模型建構簡易型 Android 應用程式，並產生預測資料。
如何在 UI 中呈現偵測結果。

軟硬體需求

最新版本的 Android Studio
Docker
現金

2. 做好準備

若要下載此程式碼研究室的程式碼：

前往這項程式碼研究室的 GitHub 存放區。
按一下 [程式碼 >下載 zip]，即可下載這個程式碼研究室的所有程式碼。

將下載的 ZIP 檔案解壓縮，解壓縮您需要的所有 codelabs 根資料夾。

在這個程式碼研究室中，您只需要存放區的 TFServing/ObjectDetectionAndroid 子目錄中的檔案，其中包含兩個資料夾：

starter 資料夾包含您為這個程式碼研究室建立的範例程式碼。
finished 資料夾包含已完成範例應用程式的範例程式碼。

3. 將依附元件加入專案

將入門應用程式匯入 Android Studio

在 Android Studio 中，按一下 [File > New > Import project]，然後從先前下載的原始碼中選擇 starter 資料夾。

新增 OkHttp 和 gRPC 的依附元件

在專案的 app/build.gradle 檔案中，確認依附元件是否存在。

dependencies {
  // ...
    implementation 'com.squareup.okhttp3:okhttp:4.9.0'
    implementation 'javax.annotation:javax.annotation-api:1.3.2'
    implementation 'io.grpc:grpc-okhttp:1.29.0'
    implementation 'io.grpc:grpc-protobuf-lite:1.29.0'
    implementation 'io.grpc:grpc-stub:1.29.0'
}

使用 Gradle 檔案同步處理專案

從導覽選單中選取 [將專案與 Gradle 檔案同步處理]。

4. 執行啟動應用程式

啟動 Android Emulator，然後按一下導覽選單中的 [執行『app']]。

執行並探索應用程式

應用程式應該會在 Android 裝置上啟動。UI 非常簡單：你要用來偵測物件的貓咪圖片，使用者可以選擇使用 REST 或 gRPC 將資料傳送到後端的方式。後端會對圖片執行物件偵測，並將偵測結果傳回用戶端應用程式，進而再次顯示 UI。

現在，如果您按一下 [執行推論]，就不會發生任何動作。這是因為該執行個體尚未與後端通訊。

5. 使用 TensorFlow Serving 部署物件偵測模型

物件偵測是常見的機器學習工作，目標是要偵測圖片內的物件，也就是預測物件可能的類別和定界框。以下是偵測結果的範例：

Google 已在 TensorFlow Hub 上發布了一些預先訓練模型。如要查看完整清單，請前往 object_detection 頁面。在這個程式碼研究室中，您可以使用相對輕量的 SSD MobileNet V2 FPNLite 320x320 模型，這樣就不需要使用 GPU 來執行模型。

如何使用 TensorFlow Serving 部署物件偵測模型：

下載模型檔案。
使用 7-Zip 等壓縮工具解壓縮已解壓縮的 .tar.gz 檔案。
建立 ssd_mobilenet_v2_2_320 資料夾，然後在其中建立 123 子資料夾。
將解壓縮的 variables 資料夾和 saved_model.pb 檔案放入 123 子資料夾。

ssd_mobilenet_v2_2_320 資料夾可視為 SavedModel 資料夾。123 是範例版本號碼。如有需要，您可以挑選其他號碼。

資料夾結構應如下列所示：

啟動 TensorFlow Serving

在終端機中，以 Docker 啟動 TensorFlow Serving，但將 PATH/TO/SAVEDMODEL 預留位置改成您電腦上 ssd_mobilenet_v2_2_320 資料夾的絕對路徑。

docker pull tensorflow/serving

docker run -it --rm -p 8500:8500 -p 8501:8501 -v "PATH/TO/SAVEDMODEL:/models/ssd_mobilenet_v2_2" -e MODEL_NAME=ssd_mobilenet_v2_2 tensorflow/serving

Docker 會先自動下載 TensorFlow Serving 映像檔，這可能需要一分鐘的時間。之後，TensorFlow Serving 會隨即啟動。記錄應如下所示：

2022-02-25 06:01:12.513231: I external/org_tensorflow/tensorflow/cc/saved_model/loader.cc:206] Restoring SavedModel bundle.
2022-02-25 06:01:12.585012: I external/org_tensorflow/tensorflow/core/platform/profile_utils/cpu_utils.cc:114] CPU Frequency: 3000000000 Hz
2022-02-25 06:01:13.395083: I external/org_tensorflow/tensorflow/cc/saved_model/loader.cc:190] Running initialization op on SavedModel bundle at path: /models/ssd_mobilenet_v2_2/123
2022-02-25 06:01:13.837562: I external/org_tensorflow/tensorflow/cc/saved_model/loader.cc:277] SavedModel load for tags { serve }; Status: success: OK. Took 1928700 microseconds.
2022-02-25 06:01:13.877848: I tensorflow_serving/servables/tensorflow/saved_model_warmup_util.cc:59] No warmup data file found at /models/ssd_mobilenet_v2_2/123/assets.extra/tf_serving_warmup_requests
2022-02-25 06:01:13.929844: I tensorflow_serving/core/loader_harness.cc:87] Successfully loaded servable version {name: ssd_mobilenet_v2_2 version: 123}
2022-02-25 06:01:13.985848: I tensorflow_serving/model_servers/server_core.cc:486] Finished adding/updating models
2022-02-25 06:01:13.985987: I tensorflow_serving/model_servers/server.cc:367] Profiler service is enabled
2022-02-25 06:01:13.988994: I tensorflow_serving/model_servers/server.cc:393] Running gRPC ModelServer at 0.0.0.0:8500 ...
[warn] getaddrinfo: address family for nodename not supported
2022-02-25 06:01:14.033872: I tensorflow_serving/model_servers/server.cc:414] Exporting HTTP/REST API at:localhost:8501 ...
[evhttp_server.cc : 245] NET_LOG: Entering the event loop ...

6. 透過 REST 將 Android 應用程式與 TensorFlow Serving 連結

後端已就緒，您可以傳送用戶端要求至 TensorFlow Serving，以偵測圖片中的物件。向 TensorFlow Serving 傳送要求的方法有兩種：

REST
gRPC

透過 REST 傳送要求及接收回應

這裡有三個簡單的步驟：

建立 REST 要求。
將 REST 要求傳送至 TensorFlow Serving。
從 REST 回應中擷取預測結果並顯示 UI。

您將在 MainActivity.java.內達成這些目標

建立 REST 要求

目前，MainActivity.java 檔案中有空白的 createRESTRequest() 函式。您可以實作這個函式來建立 REST 要求。

private Request createRESTRequest() {
}

TensorFlow Serving 的 POST 要求包含您使用的 SSD

將這段程式碼加進 createRESTRequest() 函式：

//Create the REST request.
int[] inputImg = new int[INPUT_IMG_HEIGHT * INPUT_IMG_WIDTH];
int[][][][] inputImgRGB = new int[1][INPUT_IMG_HEIGHT][INPUT_IMG_WIDTH][3];
inputImgBitmap.getPixels(inputImg, 0, INPUT_IMG_WIDTH, 0, 0, INPUT_IMG_WIDTH, INPUT_IMG_HEIGHT);
int pixel;
for (int i = 0; i < INPUT_IMG_HEIGHT; i++) {
    for (int j = 0; j < INPUT_IMG_WIDTH; j++) {
    // Extract RBG values from each pixel; alpha is ignored
    pixel = inputImg[i * INPUT_IMG_WIDTH + j];
    inputImgRGB[0][i][j][0] = ((pixel >> 16) & 0xff);
    inputImgRGB[0][i][j][1] = ((pixel >> 8) & 0xff);
    inputImgRGB[0][i][j][2] = ((pixel) & 0xff);
    }
}

RequestBody requestBody =
    RequestBody.create("{\"instances\": " + Arrays.deepToString(inputImgRGB) + "}", JSON);

Request request =
    new Request.Builder()
        .url("http://" + SERVER + ":" + REST_PORT + "/v1/models/" + MODEL_NAME + ":predict")
        .post(requestBody)
        .build();

return request;

將 REST 要求傳送至 TensorFlow Serving

應用程式可讓使用者選擇 REST 或 gRPC 與 TensorFlow Serving 通訊，因此 onClick(View view) 事件中會有兩個分支版本。

predictButton.setOnClickListener(
    new View.OnClickListener() {
        @Override
        public void onClick(View view) {
            if (requestRadioGroup.getCheckedRadioButtonId() == R.id.rest) {
                // TODO: REST request
            }
            else {

            }
        }
    }
)

將下列程式碼加進 onClick(View view) 監聽器的 REST 分支，以便使用 OkHttp 傳送要求至 TensorFlow Serving：

// Send the REST request.
Request request = createRESTRequest();
try {
    client =
        new OkHttpClient.Builder()
            .connectTimeout(20, TimeUnit.SECONDS)
            .writeTimeout(20, TimeUnit.SECONDS)
            .readTimeout(20, TimeUnit.SECONDS)
            .callTimeout(20, TimeUnit.SECONDS)
            .build();
    Response response = client.newCall(request).execute();
    JSONObject responseObject = new JSONObject(response.body().string());
    postprocessRESTResponse(responseObject);
} catch (IOException | JSONException e) {
    Log.e(TAG, e.getMessage());
    responseTextView.setText(e.getMessage());
    return;
}

處理 TensorFlow Serving 中的 REST 回應

SSD MobileNet 模型會傳回多項結果，包括：

num_detections：偵測次數
detection_scores：偵測分數
detection_classes：偵測類別索引
detection_boxes：定界框座標

實作 postprocessRESTResponse() 函式來處理回應。

private void postprocessRESTResponse(Predict.PredictResponse response) {

}

將這段程式碼加進 postprocessRESTResponse() 函式：

// Process the REST response.
JSONArray predictionsArray = responseObject.getJSONArray("predictions");
//You only send one image, so you directly extract the first element.
JSONObject predictions = predictionsArray.getJSONObject(0);
// Argmax
int maxIndex = 0;
JSONArray detectionScores = predictions.getJSONArray("detection_scores");
for (int j = 0; j < predictions.getInt("num_detections"); j++) {
    maxIndex =
        detectionScores.getDouble(j) > detectionScores.getDouble(maxIndex + 1) ? j : maxIndex;
}
int detectionClass = predictions.getJSONArray("detection_classes").getInt(maxIndex);
JSONArray boundingBox = predictions.getJSONArray("detection_boxes").getJSONArray(maxIndex);
double ymin = boundingBox.getDouble(0);
double xmin = boundingBox.getDouble(1);
double ymax = boundingBox.getDouble(2);
double xmax = boundingBox.getDouble(3);
displayResult(detectionClass, (float) ymin, (float) xmin, (float) ymax, (float) xmax);

現在，後續處理函式會從回應中擷取預測值，找出物件最可能的類別和定界框頂點的座標，最後在 UI 中呈現偵測定界框。

執行

在導覽選單中，按一下 [執行應用程式]，然後等待應用程式載入。
選取 [REST > Run 推測]。

應用程式需要幾秒鐘的時間，才能顯示貓咪的定界框，並將 17 顯示為物件類別，而該物件會對應至 COCO 資料集中的 cat 物件。

7. 透過 gRPC 將 Android 應用程式與 TensorFlow Serving 連結

除了 REST 以外，TensorFlow Serving 也支援 gRPC。

gRPC 是現代化、開放原始碼的高效能遠端程序呼叫 (RPC) 架構，可在任何環境中執行。這項服務具備可連接的負載平衡、追蹤、健康狀態檢查和驗證等功能，可透過高效率的方式連結資料中心內外的服務。發現在實驗中，gRPC 的成效比 REST 更好。

使用 gRPC 傳送要求及接收回應

這裡有四個簡單的步驟：

[選用] 產生 gRPC 用戶端 stub 程式碼。
建立 gRPC 要求。
將 gRPC 要求傳送至 TensorFlow Serving。
從 gRPC 回應中擷取預測結果，然後顯示 UI。

您將在 MainActivity.java.內達成這些目標

選用：產生 gRPC 用戶端 stub 程式碼

如要搭配 TensorFlow Serving 使用 gRPC，您需要遵守 gRPC 工作流程。如要進一步瞭解相關細節，請參閱 gRPC 說明文件。

TensorFlow Serving 和 TensorFlow 會為您定義 .proto 檔案。自 TensorFlow 和 TensorFlow Serving 2.8 起，下列 .proto 檔案為必要檔案：

tensorflow/core/example/example.proto
tensorflow/core/example/feature.proto
tensorflow/core/protobuf/struct.proto
tensorflow/core/protobuf/saved_object_graph.proto
tensorflow/core/protobuf/saver.proto
tensorflow/core/protobuf/trackable_object_graph.proto
tensorflow/core/protobuf/meta_graph.proto
tensorflow/core/framework/node_def.proto
tensorflow/core/framework/attr_value.proto
tensorflow/core/framework/function.proto
tensorflow/core/framework/types.proto
tensorflow/core/framework/tensor_shape.proto
tensorflow/core/framework/full_type.proto
tensorflow/core/framework/versions.proto
tensorflow/core/framework/op_def.proto
tensorflow/core/framework/graph.proto
tensorflow/core/framework/tensor.proto
tensorflow/core/framework/resource_handle.proto
tensorflow/core/framework/variable.proto

tensorflow_serving/apis/inference.proto
tensorflow_serving/apis/classification.proto
tensorflow_serving/apis/predict.proto
tensorflow_serving/apis/regression.proto
tensorflow_serving/apis/get_model_metadata.proto
tensorflow_serving/apis/input.proto
tensorflow_serving/apis/prediction_service.proto
tensorflow_serving/apis/model.proto

如要產生 stub，請將這段程式碼加進 app/build.gradle 檔案中。

apply plugin: 'com.google.protobuf'

protobuf {
    protoc { artifact = 'com.google.protobuf:protoc:3.11.0' }
    plugins {
        grpc { artifact = 'io.grpc:protoc-gen-grpc-java:1.29.0'
        }
    }
    generateProtoTasks {
        all().each { task ->
            task.builtins {
                java { option 'lite' }
            }
            task.plugins {
                grpc { option 'lite' }
            }
        }
    }
}

建立 gRPC 要求

與 REST 要求類似，您可以在 createGRPCRequest() 函式中建立 gRPC 要求。

private Request createGRPCRequest() {

}

將這段程式碼加進 createGRPCRequest() 函式：

if (stub == null) {
  channel = ManagedChannelBuilder.forAddress(SERVER, GRPC_PORT).usePlaintext().build();
  stub = PredictionServiceGrpc.newBlockingStub(channel);
}

Model.ModelSpec.Builder modelSpecBuilder = Model.ModelSpec.newBuilder();
modelSpecBuilder.setName(MODEL_NAME);
modelSpecBuilder.setVersion(Int64Value.of(MODEL_VERSION));
modelSpecBuilder.setSignatureName(SIGNATURE_NAME);

Predict.PredictRequest.Builder builder = Predict.PredictRequest.newBuilder();
builder.setModelSpec(modelSpecBuilder);

TensorProto.Builder tensorProtoBuilder = TensorProto.newBuilder();
tensorProtoBuilder.setDtype(DataType.DT_UINT8);
TensorShapeProto.Builder tensorShapeBuilder = TensorShapeProto.newBuilder();
tensorShapeBuilder.addDim(TensorShapeProto.Dim.newBuilder().setSize(1));
tensorShapeBuilder.addDim(TensorShapeProto.Dim.newBuilder().setSize(INPUT_IMG_HEIGHT));
tensorShapeBuilder.addDim(TensorShapeProto.Dim.newBuilder().setSize(INPUT_IMG_WIDTH));
tensorShapeBuilder.addDim(TensorShapeProto.Dim.newBuilder().setSize(3));
tensorProtoBuilder.setTensorShape(tensorShapeBuilder.build());
int[] inputImg = new int[INPUT_IMG_HEIGHT * INPUT_IMG_WIDTH];
inputImgBitmap.getPixels(inputImg, 0, INPUT_IMG_WIDTH, 0, 0, INPUT_IMG_WIDTH, INPUT_IMG_HEIGHT);
int pixel;
for (int i = 0; i < INPUT_IMG_HEIGHT; i++) {
    for (int j = 0; j < INPUT_IMG_WIDTH; j++) {
    // Extract RBG values from each pixel; alpha is ignored.
    pixel = inputImg[i * INPUT_IMG_WIDTH + j];
    tensorProtoBuilder.addIntVal((pixel >> 16) & 0xff);
    tensorProtoBuilder.addIntVal((pixel >> 8) & 0xff);
    tensorProtoBuilder.addIntVal((pixel) & 0xff);
    }
}
TensorProto tensorProto = tensorProtoBuilder.build();

builder.putInputs("input_tensor", tensorProto);

builder.addOutputFilter("num_detections");
builder.addOutputFilter("detection_boxes");
builder.addOutputFilter("detection_classes");
builder.addOutputFilter("detection_scores");

return builder.build();

將 gRPC 要求傳送至 TensorFlow Serving

您現在可以完成 onClick(View view) 事件監聽器。

predictButton.setOnClickListener(
    new View.OnClickListener() {
        @Override
        public void onClick(View view) {
            if (requestRadioGroup.getCheckedRadioButtonId() == R.id.rest) {

            }
            else {
                // TODO: gRPC request
            }
        }
    }
)

將這段程式碼新增至 gRPC 分支版本：

try {
    Predict.PredictRequest request = createGRPCRequest();
    Predict.PredictResponse response = stub.predict(request);
    postprocessGRPCResponse(response);
} catch (Exception e) {
    Log.e(TAG, e.getMessage());
    responseTextView.setText(e.getMessage());
    return;
}

處理 TensorFlow Serving 中的 gRPC 回應

與 gRPC 類似，您必須導入 postprocessGRPCResponse() 函式來處理回應。

private void postprocessGRPCResponse(Predict.PredictResponse response) {

}

將這段程式碼加進 postprocessGRPCResponse() 函式：

// Process the response.
float numDetections = response.getOutputsMap().get("num_detections").getFloatValList().get(0);
List<Float> detectionScores =    response.getOutputsMap().get("detection_scores").getFloatValList();
int maxIndex = 0;
for (int j = 0; j < numDetections; j++) {
    maxIndex = detectionScores.get(j) > detectionScores.get(maxIndex + 1) ? j : maxIndex;
}
Float detectionClass =    response.getOutputsMap().get("detection_classes").getFloatValList().get(maxIndex);
List<Float> boundingBoxValues =    response.getOutputsMap().get("detection_boxes").getFloatValList();
float ymin = boundingBoxValues.get(maxIndex * 4);
float xmin = boundingBoxValues.get(maxIndex * 4 + 1);
float ymax = boundingBoxValues.get(maxIndex * 4 + 2);
float xmax = boundingBoxValues.get(maxIndex * 4 + 3);
displayResult(detectionClass.intValue(), ymin, xmin, ymax, xmax);

現在，「後置處理」函式可以從回應中擷取預測值，然後在使用者介面中顯示偵測定界框。

執行

在導覽選單中，按一下 [執行應用程式]，然後等待應用程式載入。
選取 [gRPC > Run 推測]。

應用程式需要幾秒鐘的時間，才能顯示貓咪的定界框，並將 17 顯示為物件類別，而該類別會對應至 COCO 資料集中的 cat 類別。

8. 恭喜

您使用 TensorFlow Serving 在應用程式中新增物件偵測功能！