用小米11等安卓手机解锁目标检测模型YOLOv5，识别速度不过几十毫秒！

现在，目标检测界明星模型 YOLO，最新 v5 版本也可以在手机上玩儿了！瞧～只需要区区几十毫秒，桌上的东西就全被检测出来了:

这速度似乎不比电脑差？想要亲手搭建一个？上教程。

在安卓手机上部署 YOLOv5

更确切的说是 YOLOv5s。YOLOv5 于 2020 年 5 月发布，最大的特点就是模型小，速度快，所以能很好的应用在移动端。

而且其实最开始 YOLOv5 就是作为一款对图像进行检测、分类和定位的 iOS 端 App 进入人们的视野，而且 App 还是由 YOLOv5 的作者亲自开发。

现在，想要在安卓设备上部署它，你需配备的环境如下:

• 主机 Ubuntu18.04

• Docker

?Tensorflow 2.4.0

?PyTorch 1.7.0

?OpenVino 2021.3

• 安卓 App

?Android Studio 4.2.1

?minSdkVersion 28

?targetSdkVersion 29

?TfLite 2.4.0

• 安卓设备

?小米 11

?操作系统 MIUI 12.5.8

然后直接下载作者在 GitHub 上的项目。

使用 Docker 容器进行主机评估和模型转换。

cdyolov5s_androiddockerbuild./-f./docker/Dockerfile-tyolov5s_androiddockerrun-it—gpusall-vpwd:/workspaceyolov5s_anrdoidbash

将 App 文件夹下的./tfliteu model/*.tflite 复制到 App / tfliteu yolov5u test / App / src / main / assets / 目录下，就可在 Android Studio 上构建应用程序。

构建好的程序可以设置输入图像大小、推断精度和模型精度。

如果选择其中的“Open Directory”，检测结果会被保存为 coco 格式的 json 文件。从摄像头进行实时检测模式已将精度和输入图像大小固定为 int8/320，该模式在小米 11 达到的图像帧数为 15FPS。

由于本项目是作者参加的一个”Yolov5s Export”竞赛，所以他也进行了性能评估。

评估包括延时和准确度。

延迟时间

在小米 11 上测得，不包含预处理 / 后处理和数据传输的耗时。

结果如下:

不管模型精度是 float32 还是 int8，时间都能控制在 250ms 以内，连半秒的时间都不到。

float32

int8

大家可以和 YOLOv5 在电脑上的性能对比:

准确度

各种模式下的 mAP 值最高为 28.5，最低也有 25.5。

最后，详细教程可戳下方链接；如果你只想试玩，作者也在上面提供了安卓安装包～

项目地址:

郑重声明：此文内容为本网站转载企业宣传资讯，目的在于传播更多信息，与本站立场无关。仅供读者参考，并请自行核实相关内容。