在 ABO-detector 的基础上，将PC上的图片集训练到安卓上。
参考资料：How to Retrain an Image Classifier for New Categories
- 下载android studio 并安装：https://jingyan.baidu.com/article/20b68a88ff2ca4796cec6232.html
- （可选）检验环境：https://developer.android.com/training/basics/firstapp/creating-project
- 下载： https://github.com/tensorflow/examples 尝试下面“通过安卓观察效果” 的第一步。
首先克隆tensorflow-hub库 https://github.com/tensorflow/hub 。
找到 tensorflow_hub/pip_package/setup.py 所在的目录，执行
python setup.py build
python setup.py install
设置环境变量：
export PYTHONPATH = $PYTHONPATH:(hub的目录)
然后下载花朵图片集（目录可自行选择）：
cd ~
curl -LO http://download.tensorflow.org/example_images/flower_photos.tgz
tar xzf flower_photos.tgz
找到 examples/image_retraining/retrain.py 所在的目录，执行
python retrain.py --image_dir ~/flower_photos
对图片的训练就开始了，这个要花一段时间。默认训练4000步。
（会先生成瓶颈文件，根据文件的数据时间难以估计）
训练好以后，会在/tem/ 目录下生成 .pb 文件和 output_labels.txt 文件。
https://github.com/tensorflow/examples 。
打开 lite/examples/image_classification 目录，用 Android Studio 打开 Android/app 目录。Android Studio会自动编译，编译成功后先安装apk到自己手机看一下。
打开convertor.py文件，编辑它：
- graph_def_file改成上面的pb路径
- input_arrays改成Placeholder
- output_arrays改成final_result
原因见Abo_detection。
执行convertor.py很快就生成converted_model.tflite文件。
把生成的tflite文件和第一步的output_labels.txt文件一起复制到 image_classification/android/app/src/main/assets/ 下面。
找到 ClassifierFloatMobileNet.java 文件，复制一份并改名为 ClassifierFloatInception.java。修改其中image size XY 都是299（原因见InceptionV4）。修改modelPath和LabelPath为上面刚复制过去的文件。
修改ClassifierActivity.java 中的classifier变量初始化为new ClassifierFloatInception(this)。
再次打包安装到手机上可以用手机识别不同花朵的图片试一下。
只能识别菊花、蒲公英、向日葵、郁金香、玫瑰。
图片分类和对象识别不同的是，对象识别需要标记；而图片分类会把整张图片当成某一个东西。
把Abo_detection中的水果图片集删掉xml标记数据和mixed多对象文件，把剩下的分成三类分别放进apple/banana/orange目录。重新训练。
因为图片太少，训练会很快结束并且标明识别率高达100%。
识别效果：视频