android studio 3.+使用tensorflow lite将pb文件应用于android端-附件资源

使用深度学习（Tensorflow，Tensorflow lite，TensorRT和OpenVINO）在CPU，GPU，VPU和FPGA上实现世界上最快的ANPR / ALPR实现。 多操作系统（NVIDIA Jetson，Android，Raspberry Pi，Linux，Windows）和多Arch（ARM，x86）。 入门Android示例应用程序Benchmark（Java）VideoParallel（Java）VideoSequential（Java）ImageSnap（Java）尝试示例使用Java API将SDK添加到项目中Raspberry Pi（Raspbian OS），Linux，NVIDIA Jetson，Windows等应用程序基准（C ++）识别器（C ++，C＃，Java和Python）使用C ++ API获取帮助，网址为https://www.doubango.org/webapps/alpr/的在线Web演示，网址为https：//www.SDK .doubango.or

TensorFlow Lite 示例 Image segmentation 要用的模型文件，专门下的，从Android studio里下不下来

TensorFlow Lite for Unity示例 将移植到Unity。 以及一些Unity实用程序。 经过测试 iOS / Android / macOS / Windows Unity 2019.4.17F1 TensorFlow 2.4.0 样品 TensorFlow MNIST SSD对象检测 深度实验室 姿势网 样式转移 文字分类 伯特问答 MediaPipe 手部追踪 炽烈的脸 面网 火焰姿势（上身） MLKit 炽烈的姿势（全身） 随附的预建库 的iOS 安卓 苹果系统 的Ubuntu 视窗 核心CPU :check_mark_button: :check_mark_button: :check_mark_button: :check_mark_button: :check_mark_button: 金属代

FaceIDLight :blue_book:描述 一个基于轻量级人脸识别的工具箱和管道，基于带有MTCNN-Face-Detection和ArcFace-Face-Recognition的Tensorflow-Lite。无需安装完整的tensorflow，tflite-runtime就足够了。所有工具仅使用CPU。 拉请求是欢迎的！ :high_voltage:特征 在线人脸识别 完全在CPU上运行 多面 MacBookPro2015上约4 FPS 面部检测，验证和识别工具 :check_mark_button:待办事项 GPU支持 取决于分辨率的模型选择 多线程多面 退出时，OpenCV窗口在MacOS上冻结（似乎已修复） :bowl_with_spoon:要求 其他软件包（包含在FaceIDLight中） 设置工具〜= 51.0.0 opencv的python〜 = 4.5.1.48 numpy〜= 1.19.5 tqdm〜= 4.59.0 scikit图像〜= 0.18.1

FaceNet和MTCNN转TFLITE和CoreML git clone https://github.com/jiangxiluning/facenet_mtcnn_to_mobile.git cd facenet_mtcnn_to_mobile pipenv install --dev # 布道 pipenv , 通过使用 pipenv 安装所有依赖包，使用其他版本的包，有可能出现各种转换问题。 pipenv shell # 孵化出运行项目的 shell 环境，以下命令需要在该环境中运行 转换FaceNet cd facenet 型号名称 LFW精度 训练数据集 建筑 0.996

Android的tensorflow演示，在android studio 3.2下编译通过。增加 tensorflow-lite-0.1.7.aar库以及模型文件mobilenet_quant_v1_224.tflite

文件包含tensorflow-lite所需要的依赖包，将文件下载后解压，将downloads文件夹放在../lite/tools/make/目录下，就可以拉

TensorFlow Lite 模型和标签数据mobilenet_v1_224_android_quant_2017_11_08.zip,下载完成解压mobilenet_v1_224_android_quant_2017_11_08.zip文件得到一个mobilenet_v1_224.tflite和labes.txt文件，把这两个文件复制到assets文件夹下。

树莓派zero交叉编译tensorflow-lite所需依赖,工具链及编译好的库文件(tensorflow2.4.1) 使用说明参考博客: https://blog.csdn.net/weixin_41973774/article/details/114807080