配套资料在网盘资料的“iTOP-3399 开发板资料汇总（不含光盘内容）\人工智能测试资料\图像分类配套资料.zip”目录下。
本章节将在 ITOP-3399 开发板上测试图像分类 APP，这是 TensorFlow Lite 在 Android 上的示例应用程序 。它使用图像分类对来自设备后置摄像头的图像进行连续分类。使用 TensorFlow Lite Java API 执行推断，演示应用程序实时对帧进行分类，显示最可能的分类。它允许用户在浮点模型或量化模型之间进行选择 ，选择线程数，并决定是在 CPU，GPU 还是通过 NNAPI 运行。
此应用程序捆绑的 4 种模型：MobileNetV1（浮动），MobileNetV1（量化），EfficientNetLite（浮动）和 EfficientNetLite（量化）。我们选择“ mobilenet_v1_1.0_224”和“ efficiencynet-lite0”俩种模型。MobileNets是经典模型，而 EfficientNets 是最新的模型。所选的 EfficientNet（lite0）具有与 MobileNetV1 相当的速度，并且在 ImageNet 数据集上，EfficientNet-lite0 比 MobileNetV1 的精确度高 4％。
31.1 下载示例源码
如果您没有安装 AndroidStudio，请参考本手册“安装 AndroidStudio”章节安装 Android Studio 3.2 或更高版本。您需要最低 API 21 的 Android 设备和开发环境。
TensorFlow Lite 是一种用于设备端推断的开源深度学习框架，官网提供了现成模型来供开发者使用，输入网址 hTTps://tensorflow.google.CN/lite/examples?hl=zh-cn 打开中文官网，如下图所示：
点击“图像分类”框图中的“在 Android 设备上试试”，会弹出自述文件说明，这个文件会说明如何将APP 在 android 上测试，如下图所示：
接下来将 TensorFlow 示例源代码下载到您的电脑上，下载地址是：https://github.com/tensorflow/examples ，下载完成后得到 examples.zip 文件，迅为配套资料里面有下载好的，大家可以直接拿来用。
31.2 构建 Android Studio 项目
在 AndroidStudio 中打开刚刚下载的 TensorFlow 源代码，打开 AndroidStudio 选择“Open an existingproject”,依次打开 examples/lite/examples/image_classification/android，如下图所示：（注意存放源码的路径不能带中文）
打开工程以后自动开始下载依赖库，如下图所示：
修改完以后，点击“Sync Now”,如下图所示：
编译会出现如下图所示的错误，这是在 download.gradle 文件中指示 gradle 下载示例中使用的几个模型失败，因为从国外下载比较不稳定，我们迅为已经替大家下载好了，大家可以直接使用。
下载提供的 modules 文件里面的四个文件。然后将其拷贝到 AndroidStudio 的 assets 目录下，如下图所示：
修改完保存，点击“Build”->Rebuild Project,重新编译工程，如下图所示：
编译成功，如下图所示。特别要注意的是在编译前要配置好 AndroidSDK，至少需要 SDK 版本为 23。
31.3 安装并运行应用程序
将 ITOP-3399 开发板设备连接到电脑，连接 USB 摄像头到开发板上，硬件连接如下图所示：
我们要确保开发板里面烧写了 android8 的系统，并且打开了开发者模式，并允许 USB 调试和设置 USB模式为文件传输模式（MTP 模式），然后选择 Run -> Run app。我们在要安装该应用程序的设备的连接设备中选择部署目标（ITOP-3399 开发板），这将在设备上安装该应用程序，首次运行该应用程序时，该应用程序将请求访问相机的权限。重新安装该应用程序可能需要您卸载以前的安装。安装成功如下图所示：
我们以鼠标为例，将摄像头对准鼠标，显示已经将物品分类为鼠标，我们上滑箭头，可以修改参数，如下图所示:
