Android实现车辆检测(含Android源码 可实时运行)
目录
Android实现车辆检测(含Android源码 可实时运行)
1. 前言
2. 车辆检测数据集说明
3. 基于YOLOv5的车辆检测模型训练
4.车辆检测模型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. 车辆检测效果
6.项目源码下载
1. 前言
本篇博客是《YOLOv5实现车辆检测(含车辆检测数据集+训练代码)》续作Android篇，主要分享将Python训练后的YOLOv5的车辆检测模型移植到Android平台。我们将开发一个简易的、可实时运行的车辆检测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车辆检测模型yolov5s05_320。从效果来看，Android车辆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=0.57192，而轻量化版本yolov5s05_416平均精度平均值mAP_0.5=0.47022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效果：
 |  |
|
【Android APP体验】https://download.csdn.net/download/guyuealian/87244599
【项目源码下载】 Android实现车辆检测(含Android源码 可实时运行)
【尊重原创，转载请注明出处】https://panjinquan.blog.csdn.net/article/details/128190532
2. 车辆检测数据集说明
目前收集了约10W+的车辆检测数据集：UA-DETRAC车辆检测数据集+Vehicle-Dataset车辆检测数据集+BITVehicle车辆检测数据集
关于车辆检测数据集使用说明和下载，详见另一篇博客说明：《UA-DETRAC BITVehicle车辆检测数据集(含下载地址)》
3. 基于YOLOv5的车辆检测模型训练
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。从性能来看，yolov5s05比yolov5s快5多倍，而mAP下降了10%（0.57→0.47），对于手机端，这精度勉强可以接受。
下面是yolov5s05和yolov5s的参数量和计算量对比：
| 模型 | input-size | params(M) | GFLOPs | mAP0.5 |
| yolov5s | 640×640 | 7.2 | 16.5 | 0.57192 |
| yolov5s05 | 416×416 | 1.7 | 1.8 | 0.47022 |
| yolov5s05 | 320×320 | 1.7 | 1.1 | 0.44788 |
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：YOLOv5实现车辆检测(含车辆检测数据集+训练代码)
4.车辆检测模型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 640GitHub： 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版本的车辆检测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：
.....# Exportsif '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)# Finishprint(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 , 16,11 ]- [ 15,30, 31,22, 29,59 ]- [ 58,45 , 78,99, 186,163 ]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}}}, //},HELMET_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, 128}, {242, 211}}},{"415", 16,{{19, 39}, {40, 29}, {38, 77}}},{"output", 8,{{6, 8}, {10, 19}, {21, 14}}}, //},HELMET_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}, {29, 59}}},{"output", 8,{{5, 6}, {8, 15}, {16, 11}}}, //},HELMET_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. 车辆检测效果
Android APP体验 : https://download.csdn.net/download/guyuealian/87244599
APP在普通Android手机上可以达到实时的车辆检测效果，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/87244599
【车辆检测Android源码下载】 Android实现车辆检测(含Android源码 可实时运行)
整套Android项目源码内容包含：
- 提供快速版yolov5s05车辆检测模型，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车辆检测模型，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
如果你需要车辆检测数据集：UA-DETRAC BITVehicle车辆检测数据集(含下载地址)
如果你需要车辆训练代码：YOLOv5实现车辆检测(含车辆检测数据集+训练代码)
