Android Studio集成AI开发实战：从环境搭建到模型部署

1次阅读

共计 2686 个字符，预计需要花费 7 分钟才能阅读完成。

移动端 AI 开发看似高大上，但真正落地时会遇到不少坑。我花了两个月时间把 TensorFlow Lite（简称 TFLite）和 ML Kit 都折腾了一遍，总结出这份实战指南，希望能帮你少走弯路。

模型体积爆炸：动辄 200MB 的原始模型直接塞进 APK，用户下载时可能直接放弃
计算资源紧张：中低端手机跑复杂模型时，发热降频比推理速度还快
框架兼容性：不同 Android 版本、芯片厂商的 NPU 加速支持千差万别

特性	TensorFlow Lite	ML Kit
模型格式	.tflite（支持自定义算子）	仅限 Google 预转换格式
硬件加速	支持 GPU/Hexagon/NNAPI Delegates	自动选择最优后端
预训练模型	需自行寻找 / 转换	自带人脸 / 条码 / 文本识别等
代码控制粒度	精细到张量操作	高级 API 一键调用

个人建议：如果要做图像分类等自定义任务，选 TFLite；如果想快速集成扫码 /OCR 等功能，ML Kit 更省心。

android {
    // 必须指定 NDK 版本，否则某些机型会 Crash
    ndkVersion "21.4.7075529"

    aaptOptions {
        // 禁止压缩模型文件
        noCompress "tflite"
    }
}

dependencies {
    // 基础运行时（2MB 大小）implementation 'org.tensorflow:tensorflow-lite:2.10.0'

    // 可选 GPU 加速（增加 1.5MB）implementation 'org.tensorflow:tensorflow-lite-gpu:2.10.0'

    // 支持模型元数据读取
    implementation 'org.tensorflow:tensorflow-lite-support:0.4.3'
}

将 .tflite 文件放在 src/main/assets/models/ 下
建议同时放置对应的 label 文件（分类标签）
文件命名避免使用特殊字符

class ImageClassifier(context: Context) {
    private lateinit var interpreter: Interpreter

    init {
        try {
            // 1. 加载模型
            val modelFile = loadModelFile(context, "mobilenet_v2.tflite")

            // 2. 创建解释器（建议单例模式）val options = Interpreter.Options().apply {
                // 启用多线程（API 26+）if (Build.VERSION.SDK_INT >= Build.VERSION_CODES.O) {setNumThreads(4)
                }
                // 尝试启用 GPU
                addDelegate(GpuDelegateFactory().create())
            }

            interpreter = Interpreter(modelFile, options)
        } catch (e: Exception) {Log.e("TFLite", "初始化失败", e)
        }
    }

    // 执行推理（输入 Bitmap 返回分类结果）fun classify(bitmap: Bitmap): List<Pair<String, Float>> {
        // 输入输出张量预处理（详细代码略）val inputBuffer = convertBitmapToByteBuffer(bitmap)
        val output = Array(1) {FloatArray(1000) }

        interpreter.run(inputBuffer, output)

        // 解析概率最高的 5 个结果
        return parseLabels(output[0])
    }

    private fun loadModelFile(context: Context, filename: String): MappedByteBuffer {val fileDescriptor = context.assets.openFd("models/$filename")
        val inputStream = FileInputStream(fileDescriptor.fileDescriptor)
        val fileChannel = inputStream.channel
        return fileChannel.map(
            FileChannel.MapMode.READ_ONLY,
            fileDescriptor.startOffset,
            fileDescriptor.declaredLength
        )
    }
}

模型量化：
使用 tflite_converter 将 FP32 模型转为 INT8
体积缩小 4 倍，速度提升 2 - 3 倍
精度损失通常在 3% 以内
多线程策略：
大模型用 ExecutorService 维护推理线程池
小模型建议单例模式避免重复初始化开销
内存泄漏检测：
在 onDestroy 中调用interpreter.close()
使用 Android Profiler 监控Native Memory

Android 10 以下需要手动添加android:extractNativeLibs="true"
华为机型可能需要单独适配 NPU delegate

// 获取输入输出张量信息
val inputShape = interpreter.getInputTensor(0).shape()
val outputShape = interpreter.getOutputTensor(0).shape()

// 典型报错：// "Expected 4 dimensions but got 3" 表示需要添加 batch 维度