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
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 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
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
文章出处登录后可见！
