1. 引言

在 Android 設備上運行 Python 代碼通常面臨性能、兼容性和封裝等挑戰。尤其是當你希望在 Android 應用中使用 Python 編寫的計算密集型算法時，直接運行 Python 代碼可能導致較高的 CPU 占用和較差的性能。為了解決這個問題，我們可以使用 Cython 將 Python 代碼編譯成 C 擴展，并通過 JNI（Java Native Interface） 在 Android 上調用這些 C 代碼，從而實現高效的 Python 代碼執行。

本教程將介紹如何在 Android 設備上使用 Cython 和 JNI，將 Python 代碼轉換為 Android 可用的本地庫，并通過 Java 代碼調用它。我們將以一個簡單的 手勢識別 算法為例，展示完整的實現過程。

---

2. 項目概述

本教程的目標是：

1. 使用 Cython 將 Python 代碼轉換為 C 語言擴展，提高執行效率。
2. 使用 JNI 將 C 語言擴展封裝成 Android 可調用的庫。
3. 在 Android App 中集成 并調用這個 Python 代碼轉換的本地庫。

我們假設你的 Python 代碼是一個 基于 MediaPipe 的手部關鍵點檢測算法，并希望它在 Android 設備上運行并返回檢測結果。

---

3. 環境準備

在開始之前，確保你已經安裝了以下工具和軟件：

• Android Studio（用于 Android 開發）
• NDK（Native Development Kit）（用于編譯 JNI 代碼）
• Python 3.x
• Cython
• Linux 或 Windows 環境
• 一個 Python 代碼庫（包含手勢識別算法）

如果你使用的是 Windows，建議安裝 WSL（Windows Subsystem for Linux） 或者使用 MSYS2 進行交叉編譯。

---

4. 準備 Python 代碼

首先，我們假設你已經有一個 Python 代碼 hand_tracking.py，該代碼使用 MediaPipe 識別手部關鍵點，并返回關鍵點坐標。

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 []

該函數接收 OpenCV 讀取的 image，然后使用 MediaPipe 進行手部關鍵點檢測，并返回關鍵點的 (x, y) 坐標。

---

5. 使用 Cython 將 Python 代碼轉換為 C 語言

5.1 編寫 Cython 代碼

Cython 允許我們將 Python 代碼編譯為 C 語言模塊，從而提高執行效率。我們需要創建 hand_tracking.pyx 并將 hand_tracking.py 代碼遷移到 Cython 代碼中。

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 []

這里的 detect_hand 現在使用了 Cython 的類型注解，從而提高執行效率。

5.2 創建 setup.py 編譯 Cython 代碼

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

運行以下命令進行編譯：

python setup.py build_ext --inplace

成功后會生成一個 .so 或 .pyd 文件，這是我們的 C 語言擴展。

---

6. 使用 JNI 調用 Cython 生成的 C 代碼

6.1 創建 JNI C 代碼

在 jni/ 目錄下創建 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) {// 這里調用 Cython 生成的 C 代碼return (*env)->NewStringUTF(env, "手勢檢測結果");
}

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 編譯：

ndk-build

---

7. 在 Android App 中調用本地庫

在 MainActivity.java 中調用 JNI 代碼：

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 里調用：

HandTracking handTracking = new HandTracking();
String result = handTracking.detectHand(imageData, width, height);
Log.d("HandTracking", "檢測結果: " + result);

---

8. 運行和調試

1. 構建 Cython 代碼：

   python setup.py build_ext --inplace
   

2. 使用 NDK 編譯 JNI 代碼：

   ndk-build
   

3. 運行 Android Studio 并在真機上測試。

如果運行成功，你應該能看到 Java 代碼成功調用了 detect_hand，并返回了手勢檢測的結果。

---

9. 結論

本教程展示了如何 使用 Cython + JNI 在 Android 上運行 Python 代碼，實現高效的 Python 計算邏輯封裝到 Android 應用中。你可以使用相同的方法，將 機器學習、圖像處理、語音識別等 Python 代碼遷移到 Android，大大提升 Android 設備上的 AI 處理能力。

如果你想進一步優化，可以考慮：

• 使用 TensorFlow Lite 替代 MediaPipe
• 使用 OpenCL / Vulkan 進行 GPU 加速
• 封裝多個 Python 模塊 到動態庫

希望本教程對你有所幫助！🚀