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
2. 人体检测数据集说明
3. 基于YOLOv5的人体检测模型训练
4.人体检测模型Android部署
(1) 将Pytorch模型转换ONNX模型
(2) 将ONNX模型转换为TNN模型
(3) Android端上部署模型
(4) 一些异常错误解决方法
5. 人体检测效果
6.项目源码下载
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如果需要进行人像分割,实现一键抠图效果,请参考文章:《一键抠图Portrait Matting人像抠图 (C++和Android源码)》
![]() | ![]() | ![]() |
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