使用MindSpore Lite实现图像分类（ArkTS）
场景说明
开发者可以使用@ohos.ai.mindSporeLite，在UI代码中集成MindSpore Lite能力，快速部署AI算法，进行AI模型推理，实现图像分类的应用。
图像分类可实现对图像中物体的识别，在医学影像分析、自动驾驶、电子商务、人脸识别等有广泛的应用。
基本概念
在进行开发前，请先了解以下概念。
张量：它与数组和矩阵非常相似，是MindSpore Lite网络运算中的基本数据结构。
Float16推理模式： Float16又称半精度，它使用16比特表示一个数。Float16推理模式表示推理的时候用半精度进行推理。
接口说明
这里给出MindSpore Lite推理的通用开发流程中涉及的一些接口，具体请见下列表格。更多接口及详细内容，请见@ohos.ai.mindSporeLite (推理能力)。
| 接口名 | 描述 |
|---|---|
| loadModelFromFile(model: string, context?: Context): Promise<Model> | 从路径加载模型。 |
| getInputs(): MSTensor[] | 获取模型的输入。 |
| predict(inputs: MSTensor[]): Promise<MSTensor[]> | 推理模型。 |
| getData(): ArrayBuffer | 获取张量的数据。 |
| setData(inputArray: ArrayBuffer): void | 设置张量的数据。 |
开发流程
- 选择图像分类模型。
- 在端侧使用MindSpore Lite推理模型，实现对选择的图片进行分类。
环境准备
安装DevEco Studio，要求版本 >= 4.1，并更新SDK到API 11或以上。
开发步骤
本文以对相册的一张图片进行推理为例，提供使用MindSpore Lite实现图像分类的开发指导。
选择模型
本示例程序中使用的图像分类模型文件为mobilenetv2.ms，放置在entry/src/main/resources/rawfile工程目录下。
如果开发者有其他图像分类的预训练模型，请参考MindSpore Lite 模型转换介绍，将原始模型转换成.ms格式。
编写代码
图像输入和预处理
-
此处以获取相册图片为例，调用@ohos.file.picker 实现相册图片文件的选择。
import { photoAccessHelper } from '@kit.MediaLibraryKit'; import { BusinessError } from '@kit.BasicServicesKit'; let uris: Array<string> = []; // 创建图片文件选择实例 let photoSelectOptions = new photoAccessHelper.PhotoSelectOptions(); // 设置选择媒体文件类型为IMAGE，设置选择媒体文件的最大数目 photoSelectOptions.MIMEType = photoAccessHelper.PhotoViewMIMETypes.IMAGE_TYPE; photoSelectOptions.maxSelectNumber = 1; // 创建图库选择器实例，调用select()接口拉起图库界面进行文件选择。文件选择成功后，返回photoSelectResult结果集。 let photoPicker = new photoAccessHelper.PhotoViewPicker(); photoPicker.select(photoSelectOptions, async ( err: BusinessError, photoSelectResult: photoAccessHelper.PhotoSelectResult) => { if (err) { console.error('MS_LITE_ERR: PhotoViewPicker.select failed with err: ' + JSON.stringify(err)); return; } console.info('MS_LITE_LOG: PhotoViewPicker.select successfully, ' + 'photoSelectResult uri: ' + JSON.stringify(photoSelectResult)); uris = photoSelectResult.photoUris; console.info('MS_LITE_LOG: uri: ' + uris); }) -
根据模型的输入尺寸，调用@ohos.multimedia.image （实现图片处理）、@ohos.file.fs （实现基础文件操作） API对选择图片进行裁剪、获取图片buffer数据，并进行标准化处理。
import { image } from '@kit.ImageKit'; import { fileIo } from '@kit.CoreFileKit'; let modelInputHeight: number = 224; let modelInputWidth: number = 224; // 使用fileIo.openSync接口，通过uri打开这个文件得到fd let file = fileIo.openSync(this.uris[0], fileIo.OpenMode.READ_ONLY); console.info('MS_LITE_LOG: file fd: ' + file.fd); // 通过fd使用fileIo.readSync接口读取这个文件内的数据 let inputBuffer = new ArrayBuffer(4096000); let readLen = fileIo.readSync(file.fd, inputBuffer); console.info('MS_LITE_LOG: readSync data to file succeed and inputBuffer size is:' + readLen); // 通过PixelMap预处理 let imageSource = image.createImageSource(file.fd); imageSource.createPixelMap().then((pixelMap) => { pixelMap.getImageInfo().then((info) => { console.info('MS_LITE_LOG: info.width = ' + info.size.width); console.info('MS_LITE_LOG: info.height = ' + info.size.height); // 根据模型输入的尺寸，将图片裁剪为对应的size，获取图片buffer数据readBuffer pixelMap.scale(256.0 / info.size.width, 256.0 / info.size.height).then(() => { pixelMap.crop( { x: 16, y: 16, size: { height: modelInputHeight, width: modelInputWidth } } ).then(async () => { let info = await pixelMap.getImageInfo(); console.info('MS_LITE_LOG: crop info.width = ' + info.size.width); console.info('MS_LITE_LOG: crop info.height = ' + info.size.height); // 需要创建的像素buffer大小 let readBuffer = new ArrayBuffer(modelInputHeight * modelInputWidth * 4); await pixelMap.readPixelsToBuffer(readBuffer); console.info('MS_LITE_LOG: Succeeded in reading image pixel data, buffer: ' + readBuffer.byteLength); // 处理readBuffer，转换成float32格式，并进行标准化处理 const imageArr = new Uint8Array( readBuffer.slice(0, modelInputHeight * modelInputWidth * 4)); console.info('MS_LITE_LOG: imageArr length: ' + imageArr.length); let means = [0.485, 0.456, 0.406]; let stds = [0.229, 0.224, 0.225]; let float32View = new Float32Array(modelInputHeight * modelInputWidth * 3); let index = 0; for (let i = 0; i < imageArr.length; i++) { if ((i + 1) % 4 == 0) { float32View[index] = (imageArr[i - 3] / 255.0 - means[0]) / stds[0]; // B float32View[index+1] = (imageArr[i - 2] / 255.0 - means[1]) / stds[1]; // G float32View[index+2] = (imageArr[i - 1] / 255.0 - means[2]) / stds[2]; // R index += 3; } } console.info('MS_LITE_LOG: float32View length: ' + float32View.length); let printStr = 'float32View data:'; for (let i = 0; i < 20; i++) { printStr += ' ' + float32View[i]; } console.info('MS_LITE_LOG: float32View data: ' + printStr); }) }) }); });
编写推理代码
-
工程默认设备定义的能力集可能不包含MindSporeLite。需在DevEco Studio工程的entry/src/main目录下，手动创建syscap.json文件，内容如下：
{ "devices": { "general": [ // 需跟module.json5中deviceTypes保持一致。 "default" ] }, "development": { "addedSysCaps": [ "SystemCapability.AI.MindSporeLite" ] } } -
调用@ohos.ai.mindSporeLite实现端侧推理。具体开发过程及细节如下：
- 创建上下文，设置线程数、设备类型等参数。
- 加载模型。本文从内存加载模型。
- 加载数据。模型执行之前需要先获取输入，再向输入的张量中填充数据。
- 执行推理。使用predict接口进行模型推理。
// model.ets import { mindSporeLite } from '@kit.MindSporeLiteKit' export default async function modelPredict( modelBuffer: ArrayBuffer, inputsBuffer: ArrayBuffer[]): Promise<mindSporeLite.MSTensor[]> { // 1.创建上下文，设置线程数、设备类型等参数。 let context: mindSporeLite.Context = {}; context.target = ['cpu']; context.cpu = {} context.cpu.threadNum = 2; context.cpu.threadAffinityMode = 1; context.cpu.precisionMode = 'enforce_fp32'; // 2.从内存加载模型。 let msLiteModel: mindSporeLite.Model = await mindSporeLite.loadModelFromBuffer(modelBuffer, context); // 3.设置输入数据。 let modelInputs: mindSporeLite.MSTensor[] = msLiteModel.getInputs(); for (let i = 0; i < inputsBuffer.length; i++) { let inputBuffer = inputsBuffer[i]; if (inputBuffer != null) { modelInputs[i].setData(inputBuffer as ArrayBuffer); } } // 4.执行推理。 console.info('=========MS_LITE_LOG: MS_LITE predict start====='); let modelOutputs: mindSporeLite.MSTensor[] = await msLiteModel.predict(modelInputs); return modelOutputs; }
进行推理并输出结果
加载模型文件，调用推理函数，对相册选择的图片进行推理，并对推理结果进行处理。
import modelPredict from './model';
import { resourceManager } from '@kit.LocalizationKit'
let modelName: string = 'mobilenetv2.ms';
let max: number = 0;
let maxIndex: number = 0;
let maxArray: Array<number> = [];
let maxIndexArray: Array<number> = [];
// 完成图像输入和预处理后的buffer数据保存在float32View，具体可见上文图像输入和预处理中float32View的定义和处理。
let inputs: ArrayBuffer[] = [float32View.buffer];
let resMgr: resourceManager.ResourceManager = getContext().getApplicationContext().resourceManager;
resMgr.getRawFileContent(modelName).then(modelBuffer => {
// predict
modelPredict(modelBuffer.buffer.slice(0), inputs).then(outputs => {
console.info('=========MS_LITE_LOG: MS_LITE predict success=====');
// 结果打印
for (let i = 0; i < outputs.length; i++) {
let out = new Float32Array(outputs[i].getData());
let printStr = outputs[i].name + ':';
for (let j = 0; j < out.length; j++) {
printStr += out[j].toString() + ',';
}
console.info('MS_LITE_LOG: ' + printStr);
// 取分类占比的最大值
this.max = 0;
this.maxIndex = 0;
this.maxArray = [];
this.maxIndexArray = [];
let newArray = out.filter(value => value !== max)
for (let n = 0; n < 5; n++) {
max = out[0];
maxIndex = 0;
for (let m = 0; m < newArray.length; m++) {
if (newArray[m] > max) {
max = newArray[m];
maxIndex = m;
}
}
maxArray.push(Math.round(max * 10000))
maxIndexArray.push(maxIndex)
// filter函数，数组过滤函数
newArray = newArray.filter(value => value !== max)
}
console.info('MS_LITE_LOG: max:' + maxArray);
console.info('MS_LITE_LOG: maxIndex:' + maxIndexArray);
}
console.info('=========MS_LITE_LOG END=========');
})
})
调测验证
-
在DevEco Studio中连接设备，点击Run entry，编译Hap，有如下显示：
Launching com.samples.mindsporelitearktsdemo $ hdc shell aa force-stop com.samples.mindsporelitearktsdemo $ hdc shell mkdir data/local/tmp/xxx $ hdc file send C:\Users\xxx\MindSporeLiteArkTSDemo\entry\build\default\outputs\default\entry-default-signed.hap "data/local/tmp/xxx" $ hdc shell bm install -p data/local/tmp/xxx $ hdc shell rm -rf data/local/tmp/xxx $ hdc shell aa start -a EntryAbility -b com.samples.mindsporelitearktsdemo -
在设备屏幕点击photo按钮，选择图片，点击确定。设备屏幕显示所选图片的分类结果，在日志打印结果中，过滤关键字”MS_LITE“，可得到如下结果：
08-06 03:24:33.743 22547-22547 A03d00/JSAPP com.sampl...liteark+ I MS_LITE_LOG: PhotoViewPicker.select successfully, photoSelectResult uri: {"photoUris":["file://media/Photo/13/IMG_1501955351_012/plant.jpg"]} 08-06 03:24:33.795 22547-22547 A03d00/JSAPP com.sampl...liteark+ I MS_LITE_LOG: readSync data to file succeed and inputBuffer size is:32824 08-06 03:24:34.147 22547-22547 A03d00/JSAPP com.sampl...liteark+ I MS_LITE_LOG: crop info.width = 224 08-06 03:24:34.147 22547-22547 A03d00/JSAPP com.sampl...liteark+ I MS_LITE_LOG: crop info.height = 224 08-06 03:24:34.160 22547-22547 A03d00/JSAPP com.sampl...liteark+ I MS_LITE_LOG: Succeeded in reading image pixel data, buffer: 200704 08-06 03:24:34.970 22547-22547 A03d00/JSAPP com.sampl...liteark+ I =========MS_LITE_LOG: MS_LITE predict start===== 08-06 03:24:35.432 22547-22547 A03d00/JSAPP com.sampl...liteark+ I =========MS_LITE_LOG: MS_LITE predict success===== 08-06 03:24:35.447 22547-22547 A03d00/JSAPP com.sampl...liteark+ I MS_LITE_LOG: Default/head-MobileNetV2Head/Sigmoid-op466:0.0000034338463592575863,0.000014028532859811094,9.119685273617506e-7,0.000049100715841632336,9.502661555416125e-7,3.945370394831116e-7,0.04346757382154465,0.00003971960904891603... 08-06 03:24:35.499 22547-22547 A03d00/JSAPP com.sampl...liteark+ I MS_LITE_LOG: max:9497,7756,1970,435,46 08-06 03:24:35.499 22547-22547 A03d00/JSAPP com.sampl...liteark+ I MS_LITE_LOG: maxIndex:323,46,13,6,349 08-06 03:24:35.499 22547-22547 A03d00/JSAPP com.sampl...liteark+ I =========MS_LITE_LOG END=========
效果示意
在设备上，点击photo按钮，选择相册中的一张图片，点击确定。在图片下方显示此图片占比前4的分类信息。
相关实例
针对使用MindSpore Lite进行图像分类应用的开发，有以下相关实例可供参考：