深度学习和 TensorFlow 在 Android 上的实时闪电检测：探索结果

引言

在之前的文章中，我们讨论了我们的应用程序在两个 Android 设备上的实时测试。

在本文（本系列的最后一篇）中，我们将回顾项目成果，并总结一些“经验教训”，供您未来进行实时检测任务时参考。

成果

在本系列文章中，我们涵盖了：

• 深度学习简介
• 如何收集图像以整理数据集
• 使用 Teachable Machine 训练和导出 TFLite 模型
• 基础 Android 设置
• 基于导出的模型设置 Android 应用程序
• 在两个 Android 设备上手动实时测试闪电检测应用程序

经验教训和需要学习的内容

您可以开发基于 DL 的 TFLite 模型并在 Android 应用程序中实现它来检测闪电。 恭喜！

锦上添花的是，您现在能够应用相同的程序和逻辑来检测任何对象 - 您只需要在适当的数据集上训练您的模型。 是不是很棒？

假设您想检测狗。 该类别有大量可用数据集。 收集图像然后训练您的模型，进行一些调整 - 诸如更改学习率和其他超参数，或收集更大的数据集以提高模型的准确性之类的事情。

现在，如果您考虑构建一个应用程序来检测狗并根据它们的品种对其进行分类，您可以使用与我们讨论的概念非常相似的概念进行分类。 按照本教程到“获取有关标记对象的信息”部分，了解如何使用不同品种的不同类来训练您的模型。 请注意在监督模型训练期间用作标签的基于品种的类名称。

如果您想构建一个具有更高级、交互式 UI 的应用程序，您可以考虑保存实时视频流 - 请参阅API 文档和教程或在社交媒体平台上分享它，向世界展示您今天检测到了闪电 - 并且您有证据！

我们在 Android 上所做的事情也可以在 iOS 上完成 - 请查看本指南。 您还可以在 iOS 上创建自定义分类模型。

我们相当基础的项目可以通过多种方式增强。 例如，您可以在增强现实-虚拟现实 (ARVR)（又名混合现实 (MR)）中使用对象识别 - 请参阅本开发者门户和本指南。

后续步骤

我们已经学会了如何收集训练数据集、训练模型、构建基于该模型的 Android 应用程序以及手动测试该应用程序。 毫无疑问，您现在可以从头开始独立完成类似的项目。

但我们只是触及了可能性的皮毛！ 您在这里学到的相同技术可用于解决其他问题，并在其他类型的设备上运行。 例如，您可能想构建一个在 iOS 上运行的闪电探测器，正如我们上面讨论的那样。 或者您可能想在 Raspberry Pi 甚至笔记本电脑上运行它。

更好的是，您在这里学到的技能很容易转移。 例如，如果您想检测除了闪电之外的东西，您可以使用在本系列中学到的相同过程，使用不同的训练图像集。

如果您想了解更多关于使用 TensorFlow 和 Keras 训练您自己的模型的基本知识，CodeProject 网站上提供了相关教程。

• 开始使用 TensorFlow.js 在浏览器中进行深度学习
• 狗和披萨：使用 TensorFlow.js 在浏览器中进行计算机视觉
• 蓬松动物检测器：通过 TensorFlow.js 中的迁移学习识别浏览器中的自定义对象
• 使用 TensorFlow.js 的面部触摸检测第 1 部分：将实时网络摄像头数据与深度学习结合使用
• 使用 TensorFlow.js 的面部触摸检测第 2 部分：使用 BodyPix
• 使用 TensorFlow.js 通过 AI 解释网络摄像头中的手势和手语/li>

• Keras 入门

祝您编码愉快！