当前位置：首页 > news >正文

从零开始：使用 Cython + JNI 在 Android 上运行 Python 算法

news 来源：原创 2025/8/4 10:42:50

1. 引言

在 Android 设备上运行 Python 代码通常面临性能、兼容性和封装等挑战。尤其是当你希望在 Android 应用中使用 Python 编写的计算密集型算法时，直接运行 Python 代码可能导致较高的 CPU 占用和较差的性能。为了解决这个问题，我们可以使用 Cython 将 Python 代码编译成 C 扩展，并通过 JNI（Java Native Interface） 在 Android 上调用这些 C 代码，从而实现高效的 Python 代码执行。

本教程将介绍如何在 Android 设备上使用 Cython 和 JNI，将 Python 代码转换为 Android 可用的本地库，并通过 Java 代码调用它。我们将以一个简单的 手势识别 算法为例，展示完整的实现过程。

2. 项目概述

本教程的目标是：

使用 Cython 将 Python 代码转换为 C 语言扩展，提高执行效率。
使用 JNI 将 C 语言扩展封装成 Android 可调用的库。
在 Android App 中集成 并调用这个 Python 代码转换的本地库。

我们假设你的 Python 代码是一个 基于 MediaPipe 的手部关键点检测算法，并希望它在 Android 设备上运行并返回检测结果。

3. 环境准备

在开始之前，确保你已经安装了以下工具和软件：

Android Studio（用于 Android 开发）
NDK（Native Development Kit）（用于编译 JNI 代码）
Python 3.x
Cython
Linux 或 Windows 环境
一个 Python 代码库（包含手势识别算法）

如果你使用的是 Windows，建议安装 WSL（Windows Subsystem for Linux） 或者使用 MSYS2 进行交叉编译。

4. 准备 Python 代码

首先，我们假设你已经有一个 Python 代码 hand_tracking.py，该代码使用 MediaPipe 识别手部关键点，并返回关键点坐标。

`hand_tracking.py`

import mediapipe as mp
import cv2
import numpy as npmp_hands = mp.solutions.hands
hands = mp_hands.Hands()def detect_hand(image):image = cv2.cvtColor(image, cv2.COLOR_BGR2RGB)results = hands.process(image)if results.multi_hand_landmarks:return [(lm.x, lm.y) for lm in results.multi_hand_landmarks[0].landmark]return []

该函数接收 OpenCV 读取的 image，然后使用 MediaPipe 进行手部关键点检测，并返回关键点的 (x, y) 坐标。

5. 使用 Cython 将 Python 代码转换为 C 语言

5.1 编写 Cython 代码

Cython 允许我们将 Python 代码编译为 C 语言模块，从而提高执行效率。我们需要创建 hand_tracking.pyx 并将 hand_tracking.py 代码迁移到 Cython 代码中。

`hand_tracking.pyx`

from libc.stdlib cimport malloc, free
import mediapipe as mp
import cv2
import numpy as np
cimport numpy as npmp_hands = mp.solutions.hands
hands = mp_hands.Hands()def detect_hand(unsigned char[:] image_data, int width, int height):cdef np.ndarray[np.uint8_t, ndim=3] image = np.array(image_data).reshape((height, width, 3))image = cv2.cvtColor(image, cv2.COLOR_BGR2RGB)results = hands.process(image)if results.multi_hand_landmarks:return [(lm.x, lm.y) for lm in results.multi_hand_landmarks[0].landmark]return []

这里的 detect_hand 现在使用了 Cython 的类型注解，从而提高执行效率。

5.2 创建 `setup.py` 编译 Cython 代码

from setuptools import setup
from Cython.Build import cythonize
import numpysetup(ext_modules=cythonize("hand_tracking.pyx"),include_dirs=[numpy.get_include()]
)

运行以下命令进行编译：

python setup.py build_ext --inplace

成功后会生成一个 .so 或 .pyd 文件，这是我们的 C 语言扩展。

6. 使用 JNI 调用 Cython 生成的 C 代码

6.1 创建 JNI C 代码

在 jni/ 目录下创建 hand_tracking_jni.c：

#include <jni.h>
#include <stdio.h>JNIEXPORT jstring JNICALL
Java_com_example_myapp_HandTracking_detectHand(JNIEnv *env, jobject thiz, jbyteArray imageData, jint width, jint height) {// 这里调用 Cython 生成的 C 代码return (*env)->NewStringUTF(env, "手势检测结果");
}

6.2 配置 `Android.mk` 和 `Application.mk`

`Android.mk`

LOCAL_PATH := $(call my-dir)include $(CLEAR_VARS)
LOCAL_MODULE := hand_tracking
LOCAL_SRC_FILES := hand_tracking_jni.c
LOCAL_LDLIBS := -llog
include $(BUILD_SHARED_LIBRARY)

`Application.mk`

APP_ABI := armeabi-v7a arm64-v8a
APP_PLATFORM := android-21

然后使用 NDK 编译：

ndk-build

7. 在 Android App 中调用本地库

在 MainActivity.java 中调用 JNI 代码：

package com.example.myapp;public class HandTracking {static {System.loadLibrary("hand_tracking");}public native String detectHand(byte[] imageData, int width, int height);
}

在 MainActivity.java 里调用：

HandTracking handTracking = new HandTracking();
String result = handTracking.detectHand(imageData, width, height);
Log.d("HandTracking", "检测结果: " + result);

8. 运行和调试

构建 Cython 代码：
```
python setup.py build_ext --inplace
```
使用 NDK 编译 JNI 代码：
```
ndk-build
```
运行 Android Studio 并在真机上测试。

如果运行成功，你应该能看到 Java 代码成功调用了 detect_hand，并返回了手势检测的结果。

9. 结论

本教程展示了如何 使用 Cython + JNI 在 Android 上运行 Python 代码，实现高效的 Python 计算逻辑封装到 Android 应用中。你可以使用相同的方法，将 机器学习、图像处理、语音识别等 Python 代码迁移到 Android，大大提升 Android 设备上的 AI 处理能力。

如果你想进一步优化，可以考虑：

使用 TensorFlow Lite 替代 MediaPipe
使用 OpenCL / Vulkan 进行 GPU 加速
封装多个 Python 模块 到动态库

希望本教程对你有所帮助！🚀