LJDDJL/DigitalRecognition

端智能手写数字识别学习Android Demo + 模型训练

端智能手写数字识别学习Demo

前言

• 为学习端智能入门课程设计的Android Demo，包括：

  • Android端：手写数字数据采集、识别demo展示
  • Python Notebook：手写数字识别模型设计、模型训练、模型转换
  • 数据集：训练集、测试集

• demo样例

• 可以用Android Studio 加载和编译此工程

• 建议自己编译安装，如遇到困难可以使用已编译好的demo readme/app-debug.apk (可直接下载安装)

• 模型训练和数据位于子目录 notebook中

工程介绍

数据采集

• 使用数据收集程序，按提示完成数据收集后，样本被保存在sdcard，可使用 adb 命令拉取到本地

adb pull /storage/emulated/0/Android/data/com.clientai.recog.digital/files/Track/ ./

• 同时，数据也会被上次到一个云服务端，可以直接通过web服务访问下载，方面数据收集。云服务端参考 https://github.com/ahcyd008/DataTrackCacheServer ，目前为方便学习新建了临时云服务 http://129.204.41.76:8000/

• 已采集的样本位于notebook/dataset.zip 和 notebook/dataset-test.zip，解压后使用

训练模型

• 代码位于notebook/digital_recognition.ipynb
• 是一个python notebook程序，可以在vscode中运行，也可以导入到在线的notebook平台（如kaggle, 本示例链接 https://www.kaggle.com/code/chenyidong1032/client-ai-digital-recog)

安装环境

• 配置 notebook环境

参考 https://code.visualstudio.com/docs/datascience/jupyter-notebooks 配置vscode支持notebook开发运行

• 配置依赖

pip install matplotlib numpy Pillow tensorflow torch torchvision

模型训练

• 运行notebook/digital_recognition.ipynb notebook代码，内部支持两种机器学习模型，全连接网络模型 & 卷积神经网络模型。

• 训练好模型，会转成tensorflow lite模型，用于在Android Demo中使用，包括 mymodel.tflite & mymodel-cnn.tflite，位于notebook目录下。

Android Demo应用模型

• 将自己训练好的 mymodel.tflite & mymodel-cnn.tflite 模型放到Android工程的assets目录下
• 加载模型代码位于 DigitalClassifier#loadModelFile 方法中，其中有两种模型加载代码，选择一种加载编译安装运行即可。

val fileDescriptor = assetManager.openFd(MODEL_FILE) // 使用全连接网络模型
// val fileDescriptor = assetManager.openFd(MODEL_CNN_FILE) // 使用卷积神经网络模型