android 编译tensorflowlite.so

最新推荐文章于 2024-03-03 20:21:18 发布
最新推荐文章于 2024-03-03 20:21:18 发布
阅读量1.5k 收藏 2
点赞数 1
CC 4.0 BY-SA版权
分类专栏： android
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/teleger/article/details/94157076
本文详细介绍了如何使用Bazel编译TensorFlow Lite库，以便在Android平台上使用。包括设置环境、修改WORKSPACE和BUILD文件，以及具体的编译命令。适合希望在移动端部署机器学习模型的开发者。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

为android 编译tensorflowlite.so

https://www.tensorflow.org/lite

＃本文记录 更新时间2019-06-29
＃ tensorflow 安装时间 去github 下载当时最新的...应该是2.x
＃ 看完很多博客，说是 最好用 bazel 编译... 要是 你CMake (可以的话,完全是没有问题的...)

1.第一次安装tensorflow的时间，应该是2019-03-01或者更早..（不记得了具体日期了）,这里有坑，我说不上来...

２.我找到了这博客，A.修改WORKSPACE B. 在lite/BUILD中增加内容

url

3.用之前的tensorflow版本，编译总是错误...原因也不知道..没有深入研究...
有几点可以明确：
A.在tensorflow 根目录下的WORKSPACE ,前面13行 是下载什么文件...
B.我当时编译使用的bazel version :0.26.1
C.贴出 编译出来的so 脚本:

bazel build --cxxopt='--std=c++11' //tensorflow/lite:libtensorflowlite.so \
--crosstool_top=//external:android/crosstool \
--host_crosstool_top=@bazel_tools//tools/cpp:toolchain \
--cpu=arm64-v8a --verbose_failures \
--incompatible_bzl_disallow_load_after_statement=false

4.---附上bazel---
A.什么是bazel

https://docs.bazel.build/versions/0.26.0/bazel-overview.html

B.地址

https://github.com/bazelbuild/bazel/releases

Tensorflow Lite移动平台编译
轻口味的专栏
06-28 1681
本文主要介绍了Tensorflow在Android和iOS平台的构建，编译的目标文件已经是各自平台可直接使用的了。针对底层库，比如Android，我们可能只需要直接使用动态库，则直接编译出Android对应的动态库即可。如何只编译动态库，以及编译出来的库如何使用，我们后面有时间逐步介绍。,纯Android NDK实现的GPU加速TensorFlow Lite应用程序。
Android NDK 编译 TensorflowLite 的笔记
时空间隙
10-23 3039
Android NDK 编译 TensorflowLite 的笔记 互联网上有很多关于 TensorflowLite 的 Android JNI 编译方法，但关于 TensorflowLite 本身的编译却不太好找。因此，我把自己的相关经验做一个总结分享。分享前先感谢一下小雨同学和谷歌 TensorflowLite 团队的一位朋友，他们为我提供了宝贵的经验和建议。 官网方法 Tensorflow ...
tensorflow源码编译tensorflowlite.so
ab0902cd的博客
03-09 4615
在android端通过C++调用tflite，不直接通过java调用，这时需要通过编译tensorflow的源码编译生成tflite的so库，下面介绍编译的详细过程 1.下载tensorflow源码 git clonehttps://github.com/tensorflow/tensorflow.git 注意版本，为了与模型使用的代码相匹配，我使用的是tensorflow=r1.13 ...
TensorFlow Lite编译Android so库
有何不可的博客
01-25 4965
工作中最近用到了Google TensorFlow技术，Android端对相机预览图进行预处理，并加载tflite模型并推测运行结果。期间需要用到lite的so库等相关sdk，并自己实践编译了一下。 通过编译tensorflow源码生成libtensorflowlite.jar 和libtensorflowlite_jni.so库。 一、tensorflow源码 git clone https://github.com/tensorflow/tensorflow.git 二、编译环境和工具 1、Bazel编
tensorflow lite源码编译与android部署
qinchao315的博客
03-24 5449
tensorflow lite源码编译和android端部署详解一 本篇文章主要讲通过编译tensorflow源码生成libtensorflowlite.jar 和 libtensorflowlite_jni.so库 关于android部署关注和代码将在下篇博客介绍 1.下载tensorflow源码 https://github.com/tens...
Tensorflow Lite 编译
omnispace的博客
04-02 4062
Google最近发布了Tensorflow Lite，并且提供了demo，虽然该demo可以使用bazel build –cxxopt=’–std=c++11’ //tensorflow/contrib/lite/java/demo/app/src/main:TfLiteCameraDemo命令成功编译出来，但是文档中并没有提及如何纯粹的编译出动态库，参考之前的一篇文章《当 Android 开发者...
Android上编译好的Tensorflow.zip
04-16
首先，编译TensorFlow for Android需要一个合适的交叉编译环境。这通常涉及设置Android NDK（Native Development Kit），这是一个用于在Android设备上开发原生C/C++代码的工具集。NDK允许开发者利用TensorFlow的C++...
Tensorflow Lite Android native层C/C++开发
mandagod的博客
03-18 3364
Tensorflow Lite Android C/C++ 1， Tensorflow Lite Android NDK编译编译native库 请参考文章Tensorflow源码编译。 libtensorflowlite_jni.so为native库，libtensorflowlite.jar所实现java接口，libtensorflowlite-native-header.jar为...
centos7编译tensorflow
weixin_37839284的博客
12-04 529
Centos7 编译Tensorflow + Bazel在Centos7 RedHat 机器上自己编译优化cpu指令集的tensorflow 版本环境安装python及对应的依赖包安装 Bazel下载tensorflow 源码配置编译系统编译 pip 软件包编译软件包安装软件包 在Centos7 RedHat 机器上自己编译优化cpu指令集的tensorflow 版本 由于模型在cpu 上的运行速...
使用docker生成Tensorflow Lite so文件
qq_28118723的博客
03-03 261
使用docker生成Tensorflow Lite so文件
Linux环境下编译的TensorFlow C++ API动态库文件.7z
04-16
1、TensorFlow C++ API的编译是线上使用TensorFlow C++ API调用预先训练好的模型完成预测项目的必经之路，但是TensorFlow C++ API的编译并不是这么顺利，期间遇到了很多错误，它对版本要求非常严格，版本不对应会出现很多问题，尤其protobuf是最重要的一个。本资源是TensorFlow C++ API顺利编译和测试的过程，为线上使用TensorFlow C++ API的使用打下基础 2、Linux环境下编译TensorFlow C++ API生成的动态链接库：libtensorflow_cc.so，libtensorflow_framework.so。
tensorflow lite shared libary build...
枫の博客
08-27 764
add this to BUILD file in contrib/lite cc_binary( name = "libtensorflowLite.so", linkopts=["-shared", "-Wl"], linkshared=1, copts = tflite_copts(), de
Android: 生成安卓可使用的Tflite文件
wishchinYang的专栏
05-05 929
一:把keras模型转换为tensorflow模型 H5-to-pb文件,H5模型必须同时包含模型结构和结构参数, 参考文章 忘记了 def h5_to_pb(self,h5_model, output_dir, model_name, out_prefix="output_", log_tensorboard=True): """.h5模型文件转...
TFLite:编译(app, so,jar, aar)
u011279649的专栏
10-16 2660
对Lite : NDK r14b,bazel 0.18, tensorflow 1.12以下是没问题的 对mobile：NDK R16b, bazel 0.18 tensorflow 1.12是没有问题的。   bazel 编译app bazel build --cxxopt=--std=c++11 //tensorflow/contrib/lite/java/demo/app/src/m...
Tensroflow 手动编译TFLite
瞎猫实验室
07-16 1805
本篇主要作为一个操作手册来介绍怎么编译Tensorflow和记录编译过程中踩过的坑 建议在编译TFLite之前通读一遍本文，可以少走很多弯路。 在安卓上使用TFLite一般可以通过直接在gradle中引用dependencies的方式增加TFlite依赖。 但在一些自定义场景下需要我们手动去编译TFlite依赖库，比如在C++下开发了基于Tensorflow Lite的模型或者逻辑。 google预编译的TFLite so库的C++ 符号只有基本的几个JNI接口，如果我们想在安卓的C++ 层对TFLite进
使用TensorFlow Lite在Android手机上实现图像分类
夜雨飘零
09-20 2万+
TensorFlow Lite是一款专门针对移动设备的深度学习框架，移动设备深度学习框架是部署在手机或者树莓派等小型移动设备上的深度学习框架，可以使用训练好的模型在手机等设备上完成推理任务。这一类框架的出现，可以使得一些推理的任务可以在本地执行，不需要再调用服务器的网络接口，大大减少了预测时间。在前几篇文章中已经介绍了百度的paddle-mobile，小米的mace，还有腾讯的ncnn。这在本章中我们将介绍谷歌的TensorFlow Lite。
Android——Tensorflow-Lite简单使用
海晨忆的博客
05-24 2778
个人博客：haichenyi.com。感谢关注   项目里面用到了tflite，用于做简单的图片处理，不是判断图片是什么类型，就是传进去图片，生成新图片，类似于前面一篇讲的GPUImage的滤镜功能，但是比滤镜功能更加强大。   我这里要做的就是集成，拿人家训练好的模型直接来用，我不用去训练模型。 第一步 依赖 //依赖库 implementation 'org.tensorflow:tensor...
Tensorflow Lite初探（Android）
热门推荐
bhneo的博客
12-21 2万+
11月15日，谷歌正式发布了TensorFlow Lite开发者预览版。有了TensorFlow Lite，应用开发者可以在移动设备上部署人工智能。本文分析了官方tensorflow lite在android端的demo，并对tensorflow相关的模型持久化的知识点，尤其是tflite，做了简单的介绍和总结。
Tensorflowlite图像识别模型--安卓端部署教程
出门吃三碗饭的博客
04-21 4961
本文将通过介绍使用TensorflowLite框架，利用AndroidStudio工具来实现识别模型的移动端部署（获取方式在文末）。
tensorflow lite交叉编译
最新发布
04-28
### TensorFlow Lite 交叉编译指南 TensorFlow Lite 是一种轻量级的机器学习框架，专为移动设备和嵌入式系统设计。为了在 ARM 平台（如树莓派或其他基于 ARM 的硬件）上部署模型，通常需要进行交叉编译。以下是针对 TensorFlow Lite 交叉编译的相关说明： #### 1. 准备工作 确保开发环境中已安装必要的工具链和依赖项。这包括但不限于 CMake、Bazel 和目标平台的交叉编译器。对于 ARM 架构的目标设备，推荐使用 `aarch64-linux-gnu` 工具链。 - 安装基础依赖： ```bash sudo apt-get update && sudo apt-get install -y \ build-essential \ cmake \ git \ wget \ unzip \ python3-dev \ python3-pip ``` - 下载并配置交叉编译工具链[^4]： ```bash wget https://developer.arm.com/-/media/Files/downloads/gnu-a/9.2-2019.12/binrel/gcc-arm-9.2-2019.12-x86_64-aarch64-none-linux-gnu.tar.xz tar xf gcc-arm-9.2-2019.12-x86_64-aarch64-none-linux-gnu.tar.xz -C /opt/ export PATH=/opt/gcc-arm-9.2-2019.12-x86_64-aarch64-none-linux-gnu/bin:$PATH ``` #### 2. 获取 TensorFlow 源码 克隆 TensorFlow Git 仓库，并切换至支持 TensorFlow Lite 的版本（例如 v2.3.1）。此操作可以通过以下命令完成： ```bash git clone https://github.com/tensorflow/tensorflow.git cd tensorflow git checkout tags/v2.3.1 ``` #### 3. 配置交叉编译环境 创建一个自定义工具链文件用于描述交叉编译器路径和其他必要参数。例如，可以命名为 `toolchain.cmake`： ```cmake set(CMAKE_SYSTEM_NAME Linux) set(CMAKE_SYSTEM_PROCESSOR aarch64) set(CMAKE_C_COMPILER aarch64-linux-gnu-gcc) set(CMAKE_CXX_COMPILER aarch64-linux-gnu-g++) set(CMAKE_FIND_ROOT_PATH_MODE_PROGRAM NEVER) set(CMAKE_FIND_ROOT_PATH_MODE_LIBRARY ONLY) set(CMAKE_FIND_ROOT_PATH_MODE_INCLUDE ONLY) set(CMAKE_FIND_ROOT_PATH_MODE_PACKAGE ONLY) ``` 随后，在构建过程中传递该工具链文件给 CMake。 #### 4. 使用 Bazel 或 CMake 进行交叉编译 ##### 方法一：通过 Bazel 跨平台编译 如果选择使用 Bazel 来执行交叉编译，则需调整 `.bazelrc` 文件中的配置以适配目标架构。具体步骤如下： ```bash echo "build --crosstool_top=@local_config_arm_compiler//:toolchain" >> ~/.tf_configure_bazelrc echo "build --cpu=armeabi-v7a" >> ~/.tf_configure_bazelrc ``` 接着运行标准的 Bazel 命令来生成动态链接库或静态库[^3]: ```bash bazel build --config=opt //tensorflow/lite:libtensorflowlite.so ``` ##### 方法二：借助 CMake 实现更灵活控制 另一种方式是利用 CMake 执行手动配置与构建流程。这种方法允许开发者更加精细地定制化选项。示例脚本如下所示： ```bash mkdir -p tflite_build && cd tflite_build cmake .. \ -DCMAKE_TOOLCHAIN_FILE=../toolchain.cmake \ -DTFLITE_ENABLE_RUY=ON \ -DTFLITE_WITH_XNNPACK=OFF \ -DANDROID_ABI="arm64-v8a" make -j$(nproc) ``` 以上两种方法均可实现 TensorFlow Lite 对于 ARM 设备的支持，但实际应用中可能还需要额外考虑特定硬件加速单元（比如 GPU 或 NPU）所需的驱动程序及其集成问题[^1]。 --- ### 总结 综上所述，无论是采用 Bazel 自动化的解决方案还是依靠 CMake 提供的高度可配置能力，都可以顺利完成 TensorFlow Lite 向 ARM 架构迁移的任务。然而需要注意的是整个过程涉及较多细节处理，尤其是当引入第三方扩展组件时更是如此。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

Teleger

你的支持是我前进的方向

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值