小米开源框架mace android案例调试

1. 准备工作

编译环境准备：请参照小米官方的文档：

https://mace.readthedocs.io/en/latest/installation/env_requirement.html

Required dependencies

Software	Installation command	Tested version
Python		2.7
Bazel	bazel installation guide	0.13.0
CMake	apt-get install cmake	>= 3.11.3
Jinja2	pip install -I jinja2==2.10	2.10
PyYaml	pip install -I pyyaml==3.12	3.12.0
sh	pip install -I sh==1.12.14	1.12.14

Optional dependencies

Software	Installation command	Remark
Android NDK	NDK installation guide	Required by Android build, r15b, r15c, r16b
ADB	apt-get install android-tools-adb	Required by Android run, >= 1.0.32
TensorFlow	pip install -I tensorflow==1.6.0	Required by TensorFlow model
Docker	docker installation guide	Required by docker mode for Caffe model
Numpy	pip install -I numpy==1.14.0	Required by model validation
Scipy	pip install -I scipy==1.0.0	Required by model validation
FileLock	pip install -I filelock==3.0.0	Required by Android run

2. 克隆源码

git clone https://github.com/XiaoMi/mace.git

修改最外层mace文件夹为mace_new

3. 克隆mace model zoo

git clone https://github.com/XiaoMi/mace-models.git

附上 mace-models与mace的源码，直接获取是最新的代码，可能后期与本篇博客的教程不一致，这里放上我调试时用的源码：

https://download.csdn.net/download/qq_27063119/10537143

4. 编译mace library

cd mace_new

bash tools/build-standalone-lib.sh

5.如果想要保护模型不被盗用，可以在转化静态库时将模型转化为C++代码，转化有两种方式

（1）将模型图转换为代码，将模型权重转换为具有以下模型配置的文件

model_graph_format: codemodel_data_format: file

（2）将模型图和模型权重转换为下面的模型配置代码

model_graph_format: codemodel_data_format: code

修改对应的yml文件

以使用mobilenet-v2为例，修改mace-models/mobilenet-v2 文件夹下的mobilenet-v2.yml和mobilenet-v2-host.yml

将

model_graph_format: filemodel_data_format: file

修改为

model_graph_format: codemodel_data_format: code

并保存

6.将模型转化为mace格式的模型

python tools/converter.py convert --config=/media/root/B/python/mace_0711/mace-models/mobilenet-v2/mobilenet-v2.yml

转化后会生成以下文件，其中include，lib，mobilenet-v2是需要用的

使用android studio打开 mace中的安卓项目

首先选择自己的ndk路径

选择好后，在android项目中的macelibrary/src/main/cpp 文件夹下

-- 新建include/mace/public文件夹

-- 新建lib文件夹

-- 新建model文件夹

如图所示：

接着：

（1）将builds/include/mace/public/ 下的mace.h 以及 mace_runtime.h拷贝进去macelibrary/src/main/cpp/include/mace/public中

（2）将builds/mobilenet-v2/include/mace/public/ 下的mace_engine_factory.h 以及 mobilenet_v2.h拷贝至 macelibrary/src/main/cpp/include/mace/public中

（3）将builds/mobilenet-v2/model 下的mobilenet-v2.a 拷贝至 macelibrary/src/main/cpp/model中，并修改mobilenet-v2.a 为 mobilenet.a

（4）将builds/lib下的文件都拷贝至macelibrary/src/main/cpp/lib中

（5）修改macelibrary/src/main/cpp/include/mace/public下所有.h文件中引入的文件地址

以mace_engine_factory.h为例：修改成下图所示，mace_runtime.h，mobilenet_v2.h文件内都要改

全部改完后，由于这个测试的app默认是使用mobilenet_v1的模型的，所以我们更改一下代码让他使用mobilenet_v2，修改com.xiaomi.mace.demo.result下的InitData.java文件中的

model = MODELS[0];

改为：

model = MODELS[1];

即可

run，手机上安装后同意授权相机等，效果如图所示：

测试手机为：

小米6

高通骁龙835处理器，6G运行内存

mobilenet_v2的cpu运行速度平均为：1张图片/65ms

mobilenet_v2的gpu运行速度平均为：1张图片/20ms

很明显，检测的速度非常快，小米的mace网络调优很明显。