@Tensorflow 1.13训练模型.pb文件转换成Tensorflowlite可以使用的.tflite文件过程记录
之前一直通过1.13版本的TensorflowGpu训练模型，使用范围局限在电脑端（例如opencv调用模型等等）。最近的一个项目需要在移动端部署，将训练好的.pb模型可以成功移植到安卓移动端，但是出现了一个老生常谈的问题，就是无法迅速连续识别，这主要是因为移动端和PC端硬件的差异，为了解决这一问题，决定投入Tensorflowlite的怀抱，实现在移动端的迅捷目标检测。
环境介绍：
Ubuntu 16.04
Tensorflow 1.13.1（含Gpu）
移动端 Honor V20
Android Studio 3.5.3
算法 MobileNet-ssd-V1
tensorflow训练开始后，会随时间推移生成不同训练步数的记录文件，如下：
如果不考虑后续的Tflite转换，那么只需要调用object_detection的export_inference_graph.py，输入以下类似命令来生成.pb文件即可，文件使用方法不赘述。
python export_inference_graph.py --input_type image_tensor --pipeline_co
nfig_path training/ssd_mobilenet_v1_XXX.config --trained_checkpoint_prefix training/model.ckpt-XXXX --output_directory detection
注意。如果后续要设计tflite转换，那么需要调用的文件是object_detection下的export_tflite_ssd_graph.py，命令与上类似：
python export_tflite_ssd_graph.py --input_type image_tensor --pipeline_co
nfig_path training/ssd_mobilenet_v1_XXX.config --trained_checkpoint_prefix training/model.ckpt-XXXX --output_directory detection
执行export_tflite_ssd_graph.py后，输出文件夹内容大致如下：
包含tflite_graph.pb和tflite_graph.pbtxt两个文件。这就是我们需要使用的.pb文件
注意！很多文章都有详细的Tensorflow Bazel配置过程详解，我们的配置过程类似，但是Bazel build过程，我们只需要以下一个步骤即可，
bazel build tensorflow/tools/graph_transforms:summarize_graph
build完成后，可以通过命令获取.pb模型输入输出节点array名称和相关矩阵参数，在下面的pb_to_tflite.py程序中填写使用。
注意！！！
bazel build tensorflow/tools/graph_transforms:summarize_graph此处有个BUG，输出的信息中，output_array我这里只显示一个TFLite_Detection_PostProcess，
其实正确的应该是
‘TFLite_Detection_PostProcess’,‘TFLite_Detection_PostProcess:1’,‘TFLite_Detection_PostProcess:2’,'TFLite_Detection_PostProcess:3’这四个，
分别代表的含义是
detection_boxes, detection_classes, detection_scores, and num_detections，
在后面的pb_to_tflite.py中也要写这四个才能保证.tflite模型在移动端的正常使用！！！
bazel-bin/tensorflow/tools/graph_transforms/summarize_graph --in_graph=tflite_graph.pb
至于其他文章经常提及的两个步骤：
bazel build tensorflow/lite/toco:toco
bazel build tensorflow/python/tools:freeze_graph
其实并不是必要的，原因：
首先
bazel build tensorflow/lite/toco:toco
的一个目的是，在后续转换tflite文件中，可通过
bazel run --config=opt tensorflow/lite/toco:toco -- \
--input_file=$OUTPUT_DIR/tflite_graph.pb \
--output_file=$OUTPUT_DIR/detect.tflite \
--input_shapes=1,300,300,3 \
--input_arrays=normalized_input_image_tensor \
--output_arrays='TFLite_Detection_PostProcess','TFLite_Detection_PostProcess:1','TFLite_Detection_PostProcess:2','TFLite_Detection_PostProcess:3' \
--inference_type=FLOAT \
--allow_custom_ops
生成.tflite文件，但是我在使用过程，总是出现各种莫名其妙的错误，可能是我太菜了。。，所以这一步我用一个pb_to_tflite.py程序替代，如下
# -*- coding:utf-8 -*-
##python 1
import tensorflow as tf
in_path = "tflite_graph.pb"
#out_path = "tflite_graph.tflite"
# out_path = "./model/quantize_frozen_graph.tflite"
# 模型输入节点
input_tensor_name = ["normalized_input_image_tensor"]
input_tensor_shape = {"normalized_input_image_tensor":[1,300,300,3]}
# 模型输出节点
classes_tensor_name = ['TFLite_Detection_PostProcess','TFLite_Detection_PostProcess:1','TFLite_Detection_PostProcess:2','TFLite_Detection_PostProcess:3']
converter = tf.lite.TFLiteConverter.from_frozen_graph(in_path,
input_tensor_name, classes_tensor_name,
input_tensor_shape)
converter.allow_custom_ops=True
#converter.post_training_quantize = True
tflite_model = converter.convert()
open("4output_detect.tflite", "wb").write(tflite_model)
生成一个自定义名称的.tflite文件。
而
bazel build tensorflow/python/tools:freeze_graph
在前面的export_tflite_ssd_graph.py执行后，其实已经freeze模型了，所以这行build其实也没用上。
converter.allow_custom_ops=True
这一行很重要，目的是保存一个在tflite中一些无法转换的原模型参数，不填加的话，十有八九回报错。
#converter.post_training_quantize = True
这一行的目的是决定是否输出量化的tflite模型
注意！量化后精度必然会有一定程度的降低，大小将缩小至1/4。
将第二步中的tflite文件放在android/app/src/main/assets中，并在同一目录新建一个txt文件存放物体标签,格式类似于：
？？？
label1
label2
...
？？？
？？？
在官方提供的项目的gradle中，comment out这一句
// apply from:'download_model.gradle'
避免下载官方tflite模型覆盖自己的模型。
以下三行是调用移植是否成功的关键，
private static final boolean TF_OD_API_IS_QUANTIZED = true;
private static final String TF_OD_API_MODEL_FILE = "detect.tflite";
private static final String TF_OD_API_LABELS_FILE = "file:///android_asset/labels_list.txt";
第一行根据自己的程序是否量化自行填写，量化写true，反之false
第二行和第三行则填入自己的文件，随后Run至手机即可