快速构建ML Kit自定义模型，实现特定领域图像/文本分类

一、前言

如何以最低成本开发自定义深度学习模型？可以使用华为机器学习最近推出的自定义模型服务，该服务制作的模型大小可控，能够以最小成本运行到端侧。仅需要简单的接口调用就可以进行推断，主要支持图片分类和文本分类处理自己定义的特定场景分类。下面以图片分类为例让我们来看看自定义模型的训练和使用方法。

二、训练和使用

1、首先通过Android Studio的Marketplace安装HMS Toolkit，安装完成后需重启Android Studio。

2、通过AI Create功能完成迁移

（1）基础配置

AI Create训练框架采用MindSpore，推理框架采用MindSpore Lite。在Coding Assistant中，选择“AI > AI Create”。使用迁移学习则选择“Image”或“Text”，点击“Confirm”。需提前安装python环境，然后重启IDE。再次选择“Image”或“Text”，点击“Confirm”，会自动安装MindSpore工具。HMS Toolkit还提供一键生成模型调用的API文件和模型调用Demo示例工程的功能，方便开发者在应用程序中快速验证和调用图像分类AI模型。使用图像分类迁移学习能力前，需要按照要求准备用于训练的图像资源。训练图像需要按照图像进行分类，在每个分类的目录下，放入合适的清晰图像。

（2）模型训练

图像分类针对特定领域（如汽车、动物等）百张级数据进行分钟级的学习训练，自动生成图像分类识别的新模型，该生成的新模型可以自动识别图像所属的类别。在Coding Assistant中，选择“AI > AI Create > Image”，设置图像训练模型的操作类型和模型部署位置，然后点击“Confirm”。Operation type（操作类型）部分固定选择“New Model”。Model Deployment Location（模型部署位置）固定选择“Deployment Cloud”。将分类好的图像文件夹拖入或添加到“Please select train image folder”，并设置生成的模型的存储路径（Output model file path）和训练参数（Train parameter）。训练参数保持默认值即可。Iteration count：迭代次数，默认值为100。Learning rate：学习速率，默认值为0.01。点击“Create Model”开始进行训练，生成图像分类识别模型。等待模型生成后，查看模型学习的结果（训练精度和验证精度）、对应的学习参数和训练数据等信息。

（3）模型验证

模型训练完成后，在“Add test image”的“Please select test image folder”加入需要测试的图像文件夹进行模型验证。工具会自动利用训练好的模型进行测试，并显示测试结果。在模型训练结果中点击“Generate Demo”，HMS Toolkit会自动生成Demo工程，该工程自动集成了该训练后的图像分类识别模型，可以直接运行和编译该Demo工程，生成APK文件在模拟器或者真实设备上运行，查看图像分类识别的应用效果。

3、使用模型

（1）上传模型

通过对图片中的实体对象进行分类和添加标注信息，如：人、物、环境、活动、艺术形式等信息，帮助定义图片题材和适用场景等。图片分类支持端侧识别和云侧识别。同时，该服务提供了预置模型能力。在华为开发者联盟网站上，进入“我的项目”，选择“机器学习服务 > Custom ML”进入模型上传界面，把模型上传到云侧。另外也可以通过该界面对已有模型进行更新。

（2）加载远程模型

先判断远程模型是否已经下载完成，然后加载模型，当远程模型未下载时加载本地模型。

localModel = new MLCustomLocalModel.Factory("localModelName")
        .setAssetPathFile("assetpathname")
        .create();
    remoteModel =new MLCustomRemoteModel.Factory("yourremotemodelname").create();
    MLLocalModelManager.getInstance()
        // 判断远程模型是否存在。
        .isModelExist(remoteModel)
        .addOnSuccessListener(new OnSuccessListener<Boolean>() {
     
            @Override
            public void onSuccess(Boolean isDownloaded) {
     
                MLModelExecutorSettings settings;
                // 如果远程模型存在，优先加载本地已有的远程模型，否则加载本地已有的本地模型。
                if (isDownloaded) {
     
                    settings = new MLModelExecutorSettings.Factory(remoteModel).create();
                } else {
     
                    settings = new MLModelExecutorSettings.Factory(localModel).create();
                }
                final MLModelExecutor modelExecutor = MLModelExecutor.getInstance(settings);
                executorImpl(modelExecutor, bitmap);
            }
        })
        .addOnFailureListener(new OnFailureListener() {
     
            @Override
            public void onFailure(Exception e) {
     
                // 异常处理。
            }
        });

（3）使用模型推理器推理

设置输入输出格式，把图片数据输入到推理器，然后使用加载好的modelExecutor(MLModelExecutor) 进行推理。

private void executorImpl(final MLModelExecutor modelExecutor, Bitmap bitmap){
     
    // 准备输入数据。
    final Bitmap inputBitmap = Bitmap.createScaledBitmap(srcBitmap, 224, 224, true);
    final float[][][][] input = new float[1][224][224][3];
    for (int i = 0; i < 224; i++) {
     
        for (int j = 0; j < 224; j++) {
     
            int pixel = inputBitmap.getPixel(i, j);
            input[batchNum][j][i][0] = (Color.red(pixel) - 127) / 128.0f;
            input[batchNum][j][i][1] = (Color.green(pixel) - 127) / 128.0f;
            input[batchNum][j][i][2] = (Color.blue(pixel) - 127) / 128.0f;
        }
    }
    MLModelInputs inputs = null;
    try {
     
        inputs = new MLModelInputs.Factory().add(input).create();
        // 若模型需要多路输入，您需要多次调用add()以便图片数据能够一次输入到推理器。
    } catch (MLException e) {
     
        // 处理输入数据格式化异常。
    }
  
// 执行推理。您可以通过“addOnSuccessListener”来监听推理成功，在“onSuccess”回调中处理推理成功。同时，可以通过“addOnFailureListener”来监听推理失败，在“onFailure”中处理推理失败。
    modelExecutor.exec(inputs, inOutSettings).addOnSuccessListener(new OnSuccessListener<MLModelOutputs>() {
     
        @Override
        public void onSuccess(MLModelOutputs mlModelOutputs) {
     
            float[][] output = mlModelOutputs.getOutput(0);
                // 这里推理的返回结果在output数组里，可以进一步处理。
                }
        }).addOnFailureListener(new OnFailureListener() {
     
        @Override
        public void onFailure(Exception e) {
     
            // 推理异常。
        }
    });
}

三、总结

综上所述，利用华为的深度学习框架，通过简单几个步骤就可以创建和使用属于自己业务的深度学习模型，是不是十分高效？同时，华为机器学习服务自定义模型支持包括MindSpore、TensorFlow Lite、Caffe、Onnx在内的全部主流的模型推理，转换成MS格式后可以在端侧推理框架运行。另外通过量化压缩，可以采用更小的体积在端侧部署，如果想进一步降低APK体积，也可以直接托管到云端，通过这种方式即使不了解深度学习，也能够快速构建特定领域的AI应用。

---

原文链接：
https://developer.huawei.com/consumer/cn/forum/topic/0204424578775070680?fid=18
作者：timer