[[439245]]

本文經(jīng)AI新媒體量子位（公眾號(hào)ID:QbitAI）授權(quán)轉(zhuǎn)載，轉(zhuǎn)載請(qǐng)聯(lián)系出處。

現(xiàn)在，目標(biāo)檢測(cè)界明星模型YOLO，最新v5版本也可以在手機(jī)上玩兒了！

瞧～只需要區(qū)區(qū)幾十毫秒，桌上的東西就全被檢測(cè)出來(lái)了：

這速度似乎不比電腦差？

想要親手搭建一個(gè)？上教程。

在安卓手機(jī)上部署YOLOv5

更確切的說(shuō)是YOLOv5s。

YOLOv5于2020年5月發(fā)布，最大的特點(diǎn)就是模型小，速度快，所以能很好的應(yīng)用在移動(dòng)端。

而且其實(shí)最開(kāi)始YOLOv5就是作為一款對(duì)圖像進(jìn)行檢測(cè)、分類和定位的iOS端APP進(jìn)入人們的視野，而且APP還是由YOLOv5的作者親自開(kāi)發(fā)。

現(xiàn)在，想要在安卓設(shè)備上部署它，你需配備的環(huán)境如下：

• 主機(jī) 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

• 安卓設(shè)備

小米11 (內(nèi)存 128GB/ RAM 8GB)
操作系統(tǒng) MUI 12.5.8

然后直接下載作者在GitHub上的項(xiàng)目。

git clone —recursive https://github.com/lp6m/yolov5s_android

使用Docke容器進(jìn)行主機(jī)評(píng)估（host evaluation）和模型轉(zhuǎn)換。

cd yolov5s_android docker build ./ -f ./docker/Dockerfile -t yolov5s_android docker run -it —gpus all -v pwd:/workspace yolov5s_anrdoid bash

將app文件夾下的./tflite\u model/*.tflite復(fù)制到app/tflite\u yolov5\u test/app/src/main/assets/目錄下，就可在Android Studio上構(gòu)建應(yīng)用程序。

構(gòu)建好的程序可以設(shè)置輸入圖像大小、推斷精度和模型精度。

如果選擇其中的“Open Directory”，檢測(cè)結(jié)果會(huì)被保存為coco格式的json文件。

從攝像頭進(jìn)行實(shí)時(shí)檢測(cè)模式已將精度和輸入圖像大小固定為int8/320，該模式在小米11達(dá)到的圖像幀數(shù)為15FPS。

由于本項(xiàng)目是作者參加的一個(gè)”Yolov5s Export”競(jìng)賽（并且最終得了獎(jiǎng)，獎(jiǎng)金還是2000美元），所以他也進(jìn)行了性能評(píng)估。

評(píng)估包括延時(shí)和準(zhǔn)確度。

• 延遲時(shí)間

在小米11上測(cè)得，不包含預(yù)處理/后處理和數(shù)據(jù)傳輸?shù)暮臅r(shí)。

結(jié)果如下：

不管模型精度是float32還是int8，時(shí)間都能控制在250ms以內(nèi)，連半秒的時(shí)間都不到。

大家可以和YOLOv5在電腦上的性能對(duì)比：

• 準(zhǔn)確度

各種模式下的mAP(mean Average Precision)值最高為28.5，最低也有25.5。

最后，詳細(xì)教程可戳下方鏈接；如果你只想試玩，作者也在上面提供了安卓安裝包～

項(xiàng)目地址：

https://github.com/lp6m/yolov5s_android