MediaPipe项目构建Android AAR包的技术实践
2025-05-05 17:43:31作者:霍妲思
在Android平台上使用MediaPipe进行机器学习模型部署时,开发者经常需要将自定义的计算图(Graph)打包成AAR(Android Archive)格式。本文针对MediaPipe 0.10.21版本中构建AAR包的方法变更进行技术解析,并提供完整的解决方案。
背景与问题
MediaPipe项目在近期版本更新中进行了构建系统的重构,原先用于构建AAR的mediapipe_aar.bzl脚本被合并到了mediapipe_tasks_aar.bzl中。这一变更导致开发者无法直接使用原有的mediapipe_aar()函数来构建自定义计算图的AAR包。
解决方案
目前有两种可行的技术方案:
方案一:使用新的构建函数
MediaPipe项目提供了新的构建函数mediapipe_build_aar_with_jni,该函数位于mediapipe_tasks_aar.bzl中。使用示例如下:
load("//mediapipe/tasks/java/com/google/mediapipe/tasks:mediapipe_tasks_aar.bzl", "mediapipe_build_aar_with_jni")
mediapipe_build_aar_with_jni(
name = "custom_aar",
srcs = ["CustomCalculator.java"],
native_library = ":custom_jni_lib",
manifest = "AndroidManifest.xml",
proguard_spec = "proguard.pgcfg",
deps = [
"//mediapipe/java/com/google/mediapipe/framework:android_framework",
],
)
方案二:恢复旧版构建脚本
考虑到兼容性问题,MediaPipe项目团队已临时恢复了mediapipe_aar.bzl脚本。开发者可以同步到特定提交来使用原有的构建方式。
技术实现细节
无论采用哪种方案,构建AAR包时都需要注意以下关键点:
- JNI库配置:必须正确配置native_library参数,指向对应的JNI库目标
- Android清单文件:需要提供完整的AndroidManifest.xml
- 混淆配置:建议提供Proguard规则文件以保证代码优化和混淆
- 依赖管理:确保包含所有必要的MediaPipe框架依赖
最佳实践建议
- 对于新项目,建议优先使用mediapipe_build_aar_with_jni函数
- 对于已有项目迁移,可以先采用恢复的mediapipe_aar.bzl进行过渡
- 构建前确保环境配置正确,包括:
- Android SDK和NDK版本兼容
- Bazel构建系统版本要求
- 必要的系统依赖安装
总结
MediaPipe项目在不断演进过程中,构建系统也在持续优化。开发者需要关注这些变更,及时调整自己的构建配置。本文介绍的两种方案都能有效解决AAR包构建问题,开发者可以根据项目实际情况选择最适合的方式。
随着MediaPipe生态的成熟,建议开发者逐步迁移到新的构建系统,以获得更好的维护性和新特性支持。
登录后查看全文
热门项目推荐
相关项目推荐
atomcodeClaude Code 的开源替代方案。连接任意大模型,编辑代码,运行命令,自动验证 — 全自动执行。用 Rust 构建,极致性能。 | An open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed. Get StartedRust0218
cann-learning-hubCANN 学习中心仓,支持在线互动运行、边学边练,提供教程、示例与优化方案,一站式助力昇腾开发者快速上手。Jupyter Notebook0140
uni-appA cross-platform framework using Vue.jsJavaScript09
GLM-5.2智谱开源 GLM-5.2,这是针对长文本任务的最新旗舰模型。相较于前代产品 GLM-5.1,它在长文本任务处理能力上实现了显著飞跃,并且首次在稳定的 100 万 token 上下文中提供这一能力。Jinja00
SwanLab⚡️SwanLab - an open-source, modern-design AI training tracking and visualization tool. Supports Cloud / Self-hosted use. Integrated with PyTorch / Transformers / LLaMA Factory / veRL/ Swift / Ultralytics / MMEngine / Keras etc.Python00
tiny-universe《大模型白盒子构建指南》:一个全手搓的Tiny-UniverseJupyter Notebook03
项目优选
收起
openEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。
C
471
466
deepin linux kernel
C
32
16
Claude Code 的开源替代方案。连接任意大模型,编辑代码,运行命令,自动验证 — 全自动执行。用 Rust 构建,极致性能。 | An open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed.
Get Started
Rust
2.09 K
218
本项目是CANN提供的神经网络类计算算子库,实现网络在NPU上加速计算。
C++
700
1.4 K
暂无描述
Dockerfile
780
5.08 K
Ascend Extension for PyTorch
Python
758
968
本仓库是 Flutter SDK 与 Flutter Engine 的 OpenHarmony 适配版本,由 CPF-Flutter 团队维护。开发者可使用熟悉的 Flutter 技术栈开发 OpenHarmony 应用,3.35.7 及以后的适配版本可基于本仓库源码构建支持 OpenHarmony 的 Flutter Engine。
Dart
1.04 K
272
本项目是CANN提供的transformer类大模型算子库,实现网络在NPU上加速计算。
C++
880
2.02 K
MindQuantum is a general software library supporting the development of applications for quantum computation.
Python
183
112
旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!
C
1.11 K
682