行人检测(人体检测)3：Android实现人体检测(含源码，可实时人体检测)
目录
行人检测(人体检测)3：Android实现人体检测(含源码，可实时人体检测)
1. 前言
这是项目《行人检测(人体检测)》系列之《Android实现人体检测(含源码，可实时人体检测)》；本篇主要分享将Python训练后的YOLOv5的人体检测模型移植到Android平台。我们将开发一个简易的、可实时运行的人体检测Android Demo。
考虑到原始YOLOv5的模型计算量比较大，鄙人在YOLOv5s基础上，开发了一个非常轻量级的的人体检测模型yolov5s05_320。从效果来看，Android人体检测模型的检测效果还是可以的，高精度版本YOLOv5s平均精度平均值mAP_0.5:0.95=0.84354，而轻量化版本yolov5s05_416平均精度平均值mAP_0.5:0.95=0.76103左右。APP在普通Android手机上可以达到实时的检测识别效果，CPU(4线程)约30ms左右，GPU约25ms左右 ，基本满足业务的性能需求。
先展示一下Android Demo人体检测的效果
 |
 |
【Android APP体验】https://download.csdn.net/download/guyuealian/87441942
【项目源码下载】 行人检测(人体检测)3：Android实现人体检测(含源码，可实时人体检测)
【尊重原创，转载请注明出处】https://blog.csdn.net/guyuealian/article/details/128954615
更多项目《行人检测(人体检测)》系列文章请参考：
- 行人检测(人体检测)1：人体检测数据集(含下载链接):https://blog.csdn.net/guyuealian/article/details/128821763
- 行人检测(人体检测)2：YOLOv5实现人体检测(含人体检测数据集和训练代码)：https://blog.csdn.net/guyuealian/article/details/128954588
- 行人检测(人体检测)3：Android实现人体检测(含源码，可实时人体检测)：https://blog.csdn.net/guyuealian/article/details/128954615
- 行人检测(人体检测)4：C++实现人体检测(含源码，可实时人体检测)：https://blog.csdn.net/guyuealian/article/details/128954638
2. 人体检测数据集说明
目前收集VOC，COCO和MPII数据集，总数据量约10W左右，可用于人体(行人)检测模型算法开发。这三个数据集都标注了人体检测框，但没有人脸框，考虑到很多项目业务需求，需要同时检测人脸和人体框；故已经将这三个数据都标注了person和face两个标签，以便深度学习目标检测模型训练。
关于人体检测数据集使用说明和下载，详见另一篇博客说明：《行人检测(人体检测)1：人体检测数据集(含下载链接)》 行人检测(人体检测)1：人体检测数据集(含下载链接)_AI吃大瓜的博客-CSDN博客
3. 基于YOLOv5的人体检测模型训练
官方YOLOv5给出了YOLOv5l,YOLOv5m,YOLOv5s等模型。考虑到手机端CPU/GPU性能比较弱鸡，直接部署yolov5s运行速度十分慢。所以本人在yolov5s基础上进行模型轻量化处理，即将yolov5s的模型的channels通道数全部都减少一半，并且模型输入由原来的640×640降低到416×416或者320×320，该轻量化的模型我称之为yolov5s05。轻量化后的模型yolov5s05比yolov5s计算量减少了16倍，参数量减少了7倍。
下面是yolov5s05和yolov5s的参数量和计算量对比：
| 模型 | input-size | params(M) | GFLOPs |
| yolov5s | 640×640 | 7.2 | 16.5 |
| yolov5s05 | 416×416 | 1.7 | 1.8 |
| yolov5s05 | 320×320 | 1.7 | 1.1 |
yolov5s05和yolov5s训练过程完全一直，仅仅是配置文件不一样而已；碍于篇幅，本篇博客不在赘述，详细训练过程请参考： 《行人检测(人体检测)2：YOLOv5实现人体检测(含人体检测数据集和训练代码)》https://blog.csdn.net/guyuealian/article/details/128954588
4.人体检测模型Android部署
（1） 将Pytorch模型转换ONNX模型
训练好yolov5s05或者yolov5s模型后，你需要将模型转换为ONNX模型，并使用onnx-simplifier简化网络结构
-
# 转换yolov5s05模型
-
python export.py --weights
"runs/yolov5s05_320/weights/best.pt" --img-size 320 320
-
-
# 转换yolov5s模型
-
python export.py --weights
"runs/yolov5s_640/weights/best.pt" --img-size 640 640
GitHub： https://github.com/daquexian/onnx-simplifier
Install: pip3 install onnx-simplifier
（2） 将ONNX模型转换为TNN模型
目前CNN模型有多种部署方式，可以采用TNN，MNN,NCNN，以及TensorRT等部署工具，鄙人采用TNN进行Android端上部署：
TNN转换工具：
- （1）将ONNX模型转换为TNN模型，请参考TNN官方说明：TNN/onnx2tnn.md at master · Tencent/TNN · GitHub
- （2）一键转换，懒人必备：一键转换 Caffe, ONNX, TensorFlow 到 NCNN, MNN, Tengine (可能存在版本问题，这个工具转换的TNN模型可能不兼容，建议还是自己build源码进行转换，2022年9约25日测试可用)
（3） Android端上部署模型
项目实现了Android版本的人体检测Demo，部署框架采用TNN，支持多线程CPU和GPU加速推理，在普通手机上可以实时处理。Android源码核心算法YOLOv5部分均采用C++实现，上层通过JNI接口调用
-
package com.cv.tnn.model;
-
-
import android.graphics.Bitmap;
-
-
public
class
Detector {
-
-
static {
-
System.loadLibrary(
"tnn_wrapper");
-
}
-
-
-
/***
-
* 初始化模型
-
* @param model： TNN *.tnnmodel文件文件名（含后缀名）
-
* @param root：模型文件的根目录，放在assets文件夹下
-
* @param model_type：模型类型
-
* @param num_thread：开启线程数
-
* @param useGPU：关键点的置信度，小于值的坐标会置-1
-
*/
-
public
static
native
void
init
(String model, String root, int model_type, int num_thread, boolean useGPU);
-
-
/***
-
* 检测
-
* @param bitmap 图像（bitmap），ARGB_8888格式
-
* @param score_thresh：置信度阈值
-
* @param iou_thresh： IOU阈值
-
* @return
-
*/
-
public
static
native FrameInfo[] detect(Bitmap bitmap,
float score_thresh,
float iou_thresh);
-
}
如果你想在这个Android Demo部署你自己训练的YOLOv5模型，你可将训练好的Pytorch模型转换ONNX ，再转换成TNN模型，然后把TNN模型代替你模型即可。
（4） 一些异常错误解决方法
-
TNN推理时出现：Permute param got wrong size
官方YOLOv5: GitHub - ultralytics/yolov5: YOLOv5 🚀 in PyTorch > ONNX > CoreML > TFLite
如果你是直接使用官方YOLOv5代码转换TNN模型，部署TNN时会出现这个错误Permute param got wrong size，这是因为TNN最多支持4个维度计算，而YOLOv5在输出时采用了5个维度。你需要修改model/yolo.py文件
export.py文件设置model.model[-1].export = True：
-
.....
-
# Exports
-
if
'torchscript'
in include:
-
export_torchscript(model, img, file, optimize)
-
if
'onnx'
in include:
-
model.model[-
1].export =
True
# TNN不支持5个维度,修改输出格式
-
export_onnx(model, img, file, opset, train, dynamic, simplify=simplify)
-
if
'coreml'
in include:
-
export_coreml(model, img, file)
-
-
# Finish
-
print(
f'\nExport complete ({time.time() - t:.2f}s)'
-
f"\nResults saved to {colorstr('bold', file.parent.resolve())}"
-
f'\nVisualize with https://netron.app')
-
-
.....
- TNN推理时效果很差，检测框一团麻
这个问题，大部分是模型参数设置错误，需要根据自己的模型，修改C++推理代码YOLOv5Param模型参数。
-
-
struct
YOLOv5Param {
-
ModelType model_type;
// 模型类型，MODEL_TYPE_TNN，MODEL_TYPE_NCNN等
-
int input_width;
// 模型输入宽度，单位：像素
-
int input_height;
// 模型输入高度，单位：像素
-
bool use_rgb;
// 是否使用RGB作为模型输入（PS：接口固定输入BGR，use_rgb=ture时，预处理将BGR转换为RGB）
-
bool padding;
-
int num_landmarks;
// 关键点个数
-
NetNodes InputNodes;
// 输入节点名称
-
NetNodes OutputNodes;
// 输出节点名称
-
vector<YOLOAnchor> anchors;
-
vector<string> class_names;
// 类别集合
-
};
input_width和input_height是模型的输入大小；vector<YOLOAnchor> anchors需要对应上，注意Python版本的yolov5s的原始anchor是
-
anchors:
-
- [
10,
13,
16,
30,
33,
23 ]
# P3/8
-
- [
30,
61,
62,
45,
59,
119 ]
# P4/16
-
- [
116,
90,
156,
198,
373,
326 ]
# P5/32
而yolov5s05由于input size由原来640变成320，anchor也需要做对应调整：
-
anchors:
-
- [
5,
6,
8,
15,
16,
12 ]
# P3/8
-
- [
15,
30,
31,
22,
30,
60 ]
# P4/16
-
- [
58,
45,
78,
99,
186,
163 ]
# P5/32
因此C++版本的yolov5s和yolov5s05的模型参数YOLOv5Param如下设置
-
//YOLOv5s模型参数
-
static YOLOv5Param YOLOv5s_640 = {MODEL_TYPE_TNN,
-
640,
-
640,
-
true,
-
true,
-
0,
-
{{{
"images",
nullptr}}},
//InputNodes
-
{{{
"boxes",
nullptr},
//OutputNodes
-
{
"scores",
nullptr}}},
-
{
-
{
"434",
32, {{
116,
90}, {
156,
198}, {
373,
326}}},
-
{
"415",
16, {{
30,
61}, {
62,
45}, {
59,
119}}},
-
{
"output",
8, {{
10,
13}, {
16,
30}, {
33,
23}}},
-
},
-
CLASS_NAME
-
};
-
-
//YOLOv5s05模型参数
-
static YOLOv5Param YOLOv5s05_ANCHOR_416 = {MODEL_TYPE_TNN,
-
416,
-
416,
-
true,
-
true,
-
0,
-
{{{
"images",
nullptr}}},
//InputNodes
-
{{{
"boxes",
nullptr},
//OutputNodes
-
{
"scores",
nullptr}}},
-
{
-
{
"434",
32,{{
75,
58}, {
101,
129}, {
242,
212}}},
-
{
"415",
16, {{
20,
40}, {
40,
29}, {
38,
77}}},
-
{
"output",
8, {{
6,
8}, {
10,
20}, {
21,
15}}},
//
-
},
-
CLASS_NAME
-
};
-
//YOLOv5s05模型参数
-
static YOLOv5Param YOLOv5s05_ANCHOR_320 = {MODEL_TYPE_TNN,
-
320,
-
320,
-
true,
-
true,
-
0,
-
{{{
"images",
nullptr}}},
//InputNodes
-
{{{
"boxes",
nullptr},
//OutputNodes
-
{
"scores",
nullptr}}},
-
{
-
{
"434",
32, {{
58,
45}, {
78,
99}, {
186,
163}}},
-
{
"415",
16, {{
15,
30}, {
31,
22}, {
30,
60}}},
-
{
"output",
8, {{
5,
6}, {
8,
15}, {
16,
12}}},
//
-
},
-
CLASS_NAME
-
};
- 运行APP闪退：dlopen failed: library "libomp.so" not found
参考解决方法：解决dlopen failed: library “libomp.so“ not found_PKing666666的博客-CSDN博客_dlopen failed
5. 人体检测效果
【Android APP体验】https://download.csdn.net/download/guyuealian/87441942
APP在普通Android手机上可以达到实时的人体检测效果，CPU(4线程)约30ms左右，GPU约25ms左右 ，基本满足业务的性能需求。
 |
 |
 |
 |
6.项目源码下载
【Android APP体验】https://download.csdn.net/download/guyuealian/87441942
【项目源码下载】 行人检测(人体检测)3：Android实现人体检测(含源码，可实时人体检测)
整套Android项目源码内容包含：
- 提供快速版yolov5s05人体检测模型，在普通手机可实时检测识别，CPU(4线程)约30ms左右，GPU约25ms左右
- 提供高精度版本yolov5s人体检测模型，CPU(4线程)约250ms左右，GPU约100ms左右
- Demo支持图片，视频，摄像头测试
更多项目《行人检测(人体检测)》系列文章请参考：
- 行人检测(人体检测)1：人体检测数据集(含下载链接):https://blog.csdn.net/guyuealian/article/details/128821763
- 行人检测(人体检测)2：YOLOv5实现人体检测(含人体检测数据集和训练代码)：https://blog.csdn.net/guyuealian/article/details/128954588
- 行人检测(人体检测)3：Android实现人体检测(含源码，可实时人体检测)：https://blog.csdn.net/guyuealian/article/details/128954615
- 行人检测(人体检测)4：C++实现人体检测(含源码，可实时人体检测)：https://blog.csdn.net/guyuealian/article/details/128954638
转载：https://blog.csdn.net/guyuealian/article/details/128954615