YOLOv5(6.1)安卓端部署记录

分享一下yolov5自己的模型部署到安卓端的踩坑记录,这里跳过yolov5训练部分(这部分网上很多教程),直接说重点。训练得到的为.PT模型,要部署到安卓端首先要转换为onnx模型,这一步6.1版本提供了export.py文件直接调用就行,这里附上官方源码。https://github.com/ultralytics/yolov5https://github.com/ultralytics/yolov5

 YOLOv5(6.1)安卓端部署记录_第1张图片

 附上图片,主要介绍怎么把自己训练好的模型导入到安卓端,这里'--data'为yolov5对应的yaml文件,'--weights'为yolov5对应训练好的权值文件,'--imgsz'为对应的图片尺寸,其它为默认就行,特别注意运行的时候要把'--train'加上,主要作用就是消除Foucs层和后处理部分,加上了之后等会模型转换就不会报错。接下来就会得到对应的best.onnx文件,然后将模型简化,这一步需要安装对应的库,我这里用的是pycharm,在终端里输入 python -m onnxsim best.onnx bestsim.onnx如果没有安装onnxsim库需要在终端输入pip install onnx-simplifier然后执行上面的命令。

得到简化模型后还需将模型转换成param和bin文件,这一部分我看其它博客讲的比较麻烦,我这里说两个简单的方法,一个是在ncnn(https://github.com/Tencent/ncnn/releases)库下载对应的Windows和VS版本的文件,比如说我这里安装的VS2017,我下载的文件就是:https://github.com/Tencent/ncnn/releases/download/20220216/ncnn-20220216-windows-vs2017.zip

 版本问题的话没有太多要求,下好后解压,在X64/bin文件下有对应的exe文件,把模型文件拷贝到当前目录,在文件夹里面按住shift点右键打开Powershell窗口,输入./onnx2ncnn best-sim.onnx best.param best.bin。当前目录就会出现两个文件,然后接着重复打开Powershell,./ncnnoptimize best.param best.bin best-opt.param best-opt.bin 65536 压缩文件大小。另一种方法比较快,不过我没有用过这里附上链接,感兴趣的可以自己研究。https://convertmodel.com/https://convertmodel.com/

接下来打开Android studio,到github下载大佬的工程https://github.com/nihui/ncnn-android-yolov5https://github.com/nihui/ncnn-android-yolov5 

我这里主要说一下更换的地方,其它的环境问题你们可以参考其它博客,一个是图中的ncnn-20220216-android-vulkan这个需要自己下载丢到.app/src/main/jni这个目录下链接就是上面下载ncnn库的链接,然后需要在CMakeLists.txt文件中替换名字

set(ncnn_DIR ${CMAKE_SOURCE_DIR}/ncnn-20220216-android-vulkan/${ANDROID_ABI}/lib/cmake/ncnn)

中间部分要换成自己下载的版本文件名字。然后把param和bin文件放到assets目录下,注意这个代码要修改自己的param和bin文件名为yolov5s或者到源代码更换为自己文件的名字,否则打开app识别图片的时候会闪退。

YOLOv5(6.1)安卓端部署记录_第2张图片

接下来修改param文件内容,拉到最底下内容,修改Reshape这一行,将0=xxx换成0=-1图片为修改之后的,如果不修改,到手机识别图片的时候会出现大量的标注框。YOLOv5(6.1)安卓端部署记录_第3张图片 然后用Netron打开param文件查看结构,可以下载该软件,也可以直接用网页的Netronhttps://netron.app/

 找到3个Permute查看对应的Output的name,这里512通道对应代码的stride 32,256通道对应16,128通道对应8。修改完成后,继续修改class_names,换成自己的标签,最后连上设备就可以识别图像了。

YOLOv5(6.1)安卓端部署记录_第4张图片

你可能感兴趣的:(目标检测,android,android,studio)