機器之心報導
參與：一鳴、Jamin
近來，有越來越多的深度學習框架開始面向移動端進行發展。近日，阿里也基於其 MNN 推理引擎開源了最新的 MNNKit 深度學習 SDK，安卓和 iOS 開發者都可以方便地進行調用。
近年來，很多企業都在研發麵向移動端的深度學習框架。在國內有 小米的 Mace、騰訊的 FeatherCNN（騰訊 AI）和 ncnn（騰訊優圖）、百度的 Paddle-moblie 等。而阿里也開發了自己的移動端深度學習框架 MNN。
項目地址：https://github.com/alibaba/MNNKit
目前，MNNKit 已經有人臉檢測、手勢識別、人像分割等，後續可能有更多 API 接入。
MNNKit：基於 MNN 的深度學習工具
MNN 是基於阿里的 MNN 端上推理引擎所開發的應用解決方案，主要面向安卓和 iOS 系統，幫助將 AI 能力應用在實際的移動端場景中。
MNNKit 架構
MNNKit 提供了一個 SDK 供開發者使用，以下為 SDK 的架構。
從圖中可以看出，MNNKit 可以分為三層結構，從底向上分別為：
- MNN 引擎層，是 MNN (https://github.com/alibaba/MNN) 庫在 Android/iOS 上編譯好的包的二進位 Release 版本，提供端側運行環境。
- Core 基礎層，這主要抽象和封裝與 MNN c++接口調用粒度基本一致的上層 API，iOS 通過 OC 接口提供，Android 通過 Java 接口提供（TODO）。這一層同時也為上層 SDK 提供一些公共服務類或結構定義。
- 業務 Kit 層，包括了人臉檢測、手勢識別封裝的 API。據項目介紹，之後的業務 Kit 層會不斷擴展。
內部原理
因為 MNNKit 主要提供阿里的端側 AI 能力，因此封裝了很多相關應用的 API。調用如下：
例如，當用戶需要調用 API 的時候，需要首先創建實例，然後將圖像、視頻或其他結構化數據輸入，進行 AI 模型的推理工作。工作完成後釋放實例即可。
目前 MNNKit 已支持的 API 有：
- 人臉檢測 API
- 手勢識別 API
- 人像分割 API
以人臉檢測為例，檢測內容主要分為三大板塊：
- 人臉基本信息
- 人臉位置的矩形坐標
- 106 個關鍵點坐標（區分被遮擋的和未被遮擋的）
- 置信度
106 個關鍵點的分布（來自官方開源 github）
人臉各區域關鍵點分布對應表
- 歐拉角度
搖頭（Yaw）、點頭（Pitch）、歪頭（Roll）三個角度值
- 人臉動作（包含 5 個人臉的動作）
- 眨眼
- 張嘴
- 搖頭
- 點頭
- 揚眉
處理過程
我們知道了人臉檢測需要檢測的數據後，接下來看看處理過程：
如圖所示，該流程是 iOS 和安卓設備後置攝像頭正向拍攝後，在移動端上的整體處理過程。
首先，系統從攝像頭獲取數據，作為 SDK 的輸入。接著，SDK 會進行如下操作：
- 在 MNN 引擎執行推理之前，對原始的輸入進行預處理，保證輸入數據中的人臉為正向
- 使用 AI 模型進行推理；
- 推理後，產生基於輸入圖像（預處理之後的）坐標系的關鍵點結果；。
- 把關鍵點坐標變換到和螢幕渲染坐標系相同的方向，方便渲染。
程應用中，最後的結果關鍵點要顯示在用戶螢幕上，前端會使用一個用來渲染的"畫布"。畫布的坐標系被稱為渲染坐標系，
在 SDK 檢測的最後一步，我們將關鍵點變換到和渲染坐標系相同的方向，然後等比例映射關鍵點坐標到渲染坐標系的坐標即可。映射後可以直接渲染到畫布上
代碼示例
MNNKit 提供了包括人臉檢測、手勢識別等方面的示例代碼。接下來我們以人臉檢測為例，看看怎樣可以在安卓或 iOS 中調用 API 進行推理工作。
安卓代碼
前文提到，調用 API 需要首先創建一個實例，以下為異步創建 FaceDetector 實例，主線程中回調的代碼。
public static void createInstanceAsync (Context context, FaceDetectorCreateConfig createConfig, InstanceCreatedListener<FaceDetector> listener)
在這裡，人臉檢測 API 會進行檢測和跟蹤兩個動作。檢測會遭到人臉位置和關鍵點，而跟蹤是在人臉移動時重新定位關鍵點的位置。
在視頻模式下，系統默認每 20 幀檢測一次，其餘幀只跟蹤。圖片模式下則每一次調用都檢測。
創建實例後，可以將數據輸入模型進行推理。MNNKit 現在已支持多種數據格式輸入。在視頻流檢測場景中，我們可以使用攝像頭的回調數據作為接口的輸入。輸入數據的代碼如下：
public synchronized FaceDetectionReport[] inference(byte[] data, int width, int height, MNNCVImageFormat format, long detectConfig, int inAngle, int outAngle, MNNFlipType outputFlip)
使用輸入數據為 bitmap 的推理代碼如下：
public synchronized FaceDetectionReport[] inference(Bitmap bitmap, long detectConfig, int inAngle, int outAngle, MNNFlipType outputFlip)
當 FaceDetector 實例用完之後，我們需要手動釋放實例，否則會產生 native 的內存泄露。
public synchronized void release()
iOS 代碼
和安卓代碼類似，首先需要創建人臉檢測實例：
+ (void)createInstanceAsync:(MNNFaceDetectorCreateConfig*)config Callback:(void(^)(NSError *error, MNNFaceDetector *faceDetector))block CallbackQueue:(dispatch_queue_t)callbackQueue;
默認主線程回調：
+ (void)createInstanceAsync:(MNNFaceDetectorCreateConfig*)config Callback:(void(^)(NSError *error, MNNFaceDetector *faceDetector))block;
PixelBuffer 輸入進行推理的代碼如下：
- (NSArray<MNNFaceDetectionReport *> *)inference:(CVPixelBufferRef)pixelBuffer Config:(MNNFaceDetectConfig)detectConfig Angle:(float)inAngle OutAngle:(float)outAngle FlipType:(MNNFlipType)flipType error:(NSError *__autoreleasing *)error;
UIImage 輸入進行推理的代碼如下：
- (NSArray<MNNFaceDetectionReport *> *)inferenceImage:(UIImage*)image Config:(MNNFaceDetectConfig)detectConfig Angle:(float)inAngle OutAngle:(float)outAngle FlipType:(MNNFlipType)flipType error:(NSError *__autoreleasing *)error;
使用通用 buffer 數組輸入的代碼如下：
- (NSArray<MNNFaceDetectionReport *> *)inference:(unsigned char*)data Width:(float)w Height:(float)h Format:(MNNCVImageFormat)format Config:(MNNFaceDetectConfig)detectConfig Angle:(float)inAngle OutAngle:(float)outAngle FlipType:(MNNFlipType)flipType error:(NSError *__autoreleasing *)error;
實例生命周期結束後，會自動觸發相關內存的釋放，無需調用方手動釋放。
據悉，MNNKit 是 MNN 團隊在阿里系應用大規模業務實踐後的成熟解決方案，歷經雙十一等項目考驗，在不依賴於後端的情況下進行高性能推理，使用起來穩定方便。