Pocket AutoML：使用深度学习创建 Android 图像分类应用教程

翻译

• English
• Русский
• 简体中文（本文档）

概述

本文档将引导您逐步创建自己的 Android 应用。该应用运行一个在 Pocket AutoML 中训练、并以 LiteRT（前身为 TensorFlow Lite）.tflite 格式导出的深度学习图像分类模型。应用会持续对设备后置摄像头拍摄到的画面进行分类。

本教程基于 Google AI Edge LiteRT 图像分类 Android 示例。

注意： 本应用已于 2026 年现代化改造——现在使用 Kotlin 编写，并使用 LiteRT（前身为 TensorFlow Lite；CompiledModel API）进行推理，使用 CameraX 操作相机，并采用最新的 Gradle/AGP 构建方式。旧版本（Java、Camera2 以及已过时的 TensorFlow Lite Task Library）保留在 pre-modernization 标签中。

如果您在学习本教程时遇到任何问题，请通过电子邮件联系我（Pocket AutoML 的作者），或在 GitHub 上创建 issue。

环境要求

• Android Studio Panda 4（2025.3.4）或更新版本（安装在 Linux、Mac 或 Windows 机器上）

• [如果不使用 Android 模拟器] 一台已开启开发者模式并启用 USB 调试的 Android 设备，以及一根 USB 数据线（用于将 Android 设备连接到电脑）

第 1 步：在 Pocket AutoML 中训练模型

• 从 Google Play 商店安装 Pocket AutoML 并打开它

• 点击 + 按钮创建一个任务，例如 Kittens or Puppies（小猫还是小狗）

• 创建一个类别，例如 Kittens（小猫）

  

• 通过用相机拍照或从存储中选取图片，为该类别添加示例图像

  

• 点击 <- 返回任务页面，并为每个类别重复以上步骤

• 点击 <- 返回任务页面，切换到 MODEL（模型）标签页并点击 TRAIN（训练）

  

第 2 步：从 Pocket AutoML 以 TF Lite 格式导出模型

• 点击 EXPORT IN TENSORFLOW LITE FORMAT（以 TensorFlow Lite 格式导出）

• 模型会由系统下载管理器下载到设备的 Downloads（下载）文件夹。从屏幕顶部向下滑动，即可在通知栏中查看下载进度。导出过程需要几分钟。

  

• 下载完成后，打开 Downloads（下载）文件夹（例如使用 Files（文件）应用），找到 <你的任务名>.tflite，并将其传输到您的电脑上——例如通过 GMail 等电子邮件应用发送给自己，或上传到 Google Drive、Dropbox 等云存储。

第 3 步：克隆 Pocket AutoML 示例源代码

运行以下命令获取示例应用。

git clone https://github.com/OutSorcerer/pocket-automl-android-tutorial

在 Android Studio 中打开示例源代码。为此，请打开 Android Studio，选择 Open an existing project（打开现有项目），并将文件夹设置为 pocket-automl-android-tutorial。

本应用使用 LiteRT CompiledModel API 进行推理。在 GPU 上它会强制使用完整的 FP32 精度（LiteRT 的 GpuOptions），正是这一点使得基于 EfficientNet 的 Pocket AutoML 模型能够在 GPU 上运行而不会产生 NaN 分数。类别标签和输入归一化参数（mean/std）直接从 .tflite 模型内嵌的元数据中读取，因此运行时无需管理单独的标签文件（参见第 6 步）。

第 4 步：构建 Android Studio 项目

选择 Build -> Assemble Project（也可以点击工具栏中的锤子 🔨 图标，或按 Ctrl+F9 / Cmd+F9），确认项目构建成功。 Android Studio 会提示您下载缺失的组件（例如 Android SDK 和构建工具）。

第 5 步：安装并运行应用

请先完成这一步，确认示例应用能使用其内置模型在您的环境中成功运行。下一步将演示如何把您在 Pocket AutoML 中训练的自定义模型添加到示例应用中。

在真机上运行

如果您想在 Android 真机上测试应用，请将设备连接到电脑，并批准手机上弹出的所有 ADB 权限请求。在 Android Studio 顶部的目标设备下拉列表中选择您的设备（已连接的设备也会显示在 Device Manager（设备管理器）中）。然后在 Android Studio 主菜单中点击 Run -> Run 'app'，即可在所选设备上构建并安装应用。

在模拟器上运行

如果您想在 Android 模拟器上测试应用

• 打开 Tools -> Device Manager，点击 + -> Create Virtual Device
• 选择一个设备定义，例如 Medium Phone（这决定了屏幕分辨率和像素密度），然后点击 Next
• 选择 API 级别——推荐 Android 16 (API level 36) 或更新版本，以匹配应用的 target SDK（应用要求 API level 24 或更高）
• 选择一个系统镜像，最好选择标有星标的、系统推荐的镜像
• 点击 Finish
• 在 Device Manager 中选择刚创建的设备，然后在 Android Studio 主菜单中点击 Run -> Run 'app'

如果您想了解更多，请参阅 Android 文档中的 Create and manage virtual devices（创建和管理虚拟设备）。

要测试应用，请在您的设备或模拟器上打开名为 Pocket AutoML Predictor 的应用。 首次运行时，应用会请求相机访问权限。 重新安装应用时，可能需要先卸载之前的安装。

第 6 步：将您在 Pocket AutoML 中训练的模型添加到示例应用中

• 此时您应该已经拥有从 Pocket AutoML 导出的 <你的任务名>.tflite 模型文件。类别标签已嵌入模型的元数据中，LiteRT Metadata 库会在运行时直接读取它们——无需再准备其他任何东西。

• 将 <你的任务名>.tflite 复制到 pocket-automl-android-tutorial/app/src/main/assets 目录中

• 打开 ImageClassifierHelper.kt（点击 Navigate -> Search Everywhere，或连按两次 Shift 并输入文件名），在 setupImageClassifier() 中，将 when (currentModel) 代码块的 MODEL_POCKET_AUTOML 分支指向您的文件：MODEL_POCKET_AUTOML -> "<你的任务名>.tflite"

• 运行应用。Pocket AutoML 模型默认已被选中；您也可以向上滑动底部面板，从 ML Model（机器学习模型）下拉菜单中选择它。

• 您将看到预测出的类别及其概率，其他类别的概率显示在下方。干得漂亮！

  

后续步骤

实际应用

您手头是否有可以借助移动应用中的图像分类模型来解决的任务？比如分拣乐高积木，或用手势控制机器人。

我很期待了解您借助 Pocket AutoML 和本教程构建了什么，并会将相关的 Play Store 或 GitHub 链接添加到本文档中。

其他平台

TF Lite 不仅可以在 Android 上运行，还支持其他平台，包括 iOS、Raspberry Pi 或 Coral 等嵌入式 Linux 设备以及微控制器。

其他模型训练方法

您可以尝试其他无代码或低代码深度学习解决方案，例如 Teachable Machine、Roboflow、Create ML、Google Cloud AutoML、Azure Custom Vision、LandingLens、Edge Impulse 或 MediaPipe Model Maker。

Pocket AutoML 使用迁移学习（transfer learning）方法，您也可以参照 Google Colab 中的教程 Transfer learning and fine-tuning（迁移学习与微调）自己实现它。

学习深度学习

如果您想学习如何训练更好的模型，并系统地理解深度学习，我推荐 Coursera 上的 Deep Learning Specialization（深度学习专项课程）和 Machine Learning Engineering for Production (MLOps) Specialization（面向生产的机器学习工程（MLOps）专项课程）。

许可证

Apache License 2.0