| Android实现红绿灯检测(含Android源码 可实时运行) | 您所在的位置：网站首页 › 红绿灯检测图怎么看 › Android实现红绿灯检测(含Android源码 可实时运行) |
Android实现红绿灯检测(含Android源码 可实时运行)
|
Android实现红绿灯检测(含Android源码 可实时运行)
目录 Android实现红绿灯检测(含Android源码 可实时运行) 1. 前言 2. 红绿灯检测数据集说明 3. 基于YOLOv5的红绿灯检测模型训练 4.红绿灯检测模型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. 红绿灯检测效果 6.项目源码下载 1. 前言本篇博客是《深度学习目标检测：YOLOv5实现红绿灯检测(含红绿灯数据集+训练代码)》续作Android篇，主要分享将Python训练后的YOLOv5的红绿灯检测模型移植到Android平台。我们将开发一个简易的、可实时运行的红绿灯检测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红绿灯检测模型yolov5s05_320。从效果来看，Android红绿灯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=0.93919，而轻量化版本yolov5s05_416平均精度平均值mAP_0.5=0.71944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】Android实现红绿灯检测APP(可实时运行)) 【项目源码下载】 Android实现红绿灯检测(含Android源码 可实时运行) 【尊重原创，转载请注明出处】https://blog.csdn.net/guyuealian/article/details/128240334 更多项目《智能驾驶 车牌检测和识别》系列文章请参考： 智能驾驶 车牌检测和识别（一）《CCPD车牌数据集》：https://blog.csdn.net/guyuealian/article/details/128704181智能驾驶 车牌检测和识别（二）《YOLOv5实现车牌检测（含车牌检测数据集和训练代码）》：https://blog.csdn.net/guyuealian/article/details/128704068智能驾驶 车牌检测和识别（三）《CRNN和LPRNet实现车牌识别（含车牌识别数据集和训练代码）》：https://blog.csdn.net/guyuealian/article/details/128704209智能驾驶 车牌检测和识别（四）《Android实现车牌检测和识别（可实时车牌识别）》：https://blog.csdn.net/guyuealian/article/details/128704242智能驾驶 车牌检测和识别（五）《C++实现车牌检测和识别（可实时车牌识别）》：https://blog.csdn.net/guyuealian/article/details/128704276智能驾驶 红绿灯检测（一）《红绿灯(交通信号灯)数据集》：https://blog.csdn.net/guyuealian/article/details/128222850智能驾驶 红绿灯检测（二）《YOLOv5实现红绿灯检测(含红绿灯数据集+训练代码)》：https://blog.csdn.net/guyuealian/article/details/128240198智能驾驶 红绿灯检测（三）《Android实现红绿灯检测(含Android源码 可实时运行)》：https://blog.csdn.net/guyuealian/article/details/128240334智能驾驶 车辆检测（一）《UA-DETRAC BITVehicle车辆检测数据集》：https://blog.csdn.net/guyuealian/article/details/127907325 智能驾驶 车辆检测（二）《YOLOv5实现车辆检测(含车辆检测数据集+训练代码)》：https://blog.csdn.net/guyuealian/article/details/128099672 智能驾驶 车辆检测（三）《Android实现车辆检测(含Android源码 可实时运行)》：https://blog.csdn.net/guyuealian/article/details/128190532
目前收集了约1W+的红绿灯（交通信号灯）检测数据集：Traffic-Lights-Dataset-Domestic+Traffic-Lights-Dataset-Foreign: 关于红绿灯检测数据集使用说明和下载，详见另一篇博客说明：《红绿灯(交通信号灯)检测数据集》 3. 基于YOLOv5的红绿灯检测模型训练官方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16%（0.93→0.77），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-sizeparams(M)GFLOPsmAP0.5yolov5s640×6407.216.50.93919yolov5s05416×4161.71.80.77174yolov5s05320×3201.71.10.71944yolov5s05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： 《深度学习目标检测：YOLOv5实现红绿灯检测(含红绿灯数据集+训练代码)》 4.红绿灯检测模型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)
项目实现了Android版本的红绿灯检测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。
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： ..... # 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 anchors; vector class_names; // 类别集合 };input_width和input_height是模型的输入大小；vector 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: - [ 1,3, 2,5, 3,7 ] - [ 4,9, 9,5, 5,12 ] - [ 7,17, 9,25, 17,38 ]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, {{12, 32}, {17, 47}, {35, 76}}}, {"415", 16, {{6, 17}, {18, 8}, {9, 22}}}, {"output", 8, {{2, 6}, {3, 9}, {5, 12}}}, }, 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, {{7, 18}, {10, 27}, {18, 45}}}, {"415", 16, {{4, 11}, {5, 13}, {12, 6}}}, {"output", 8, {{2, 4}, {2, 6}, {3, 8}}}, // }, 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, {{7, 17}, {9, 25}, {17, 38}}}, {"415", 16, {{4, 9}, {9, 5}, {5, 12}}}, {"output", 8, {{1, 3}, {2, 5}, {3, 7}}}, // }, 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. 红绿灯检测效果【Android APP体验】Android实现红绿灯检测APP(可实时运行)) APP在普通Android手机上可以达到实时的红绿灯检测效果，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】Android实现红绿灯检测APP(可实时运行)) 【红绿灯检测Android源码下载】 Android实现红绿灯检测(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红绿灯检测模型，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红绿灯检测模型，CPU(4线程)约250ms左右，GPU约100ms左右Demo支持图片，视频，摄像头测试所有依赖库都已经配置好，可直接build运行，若运行出现闪退，请参考dlopen failed: library “libomp.so“ not found 解决。如果你需要红绿灯检测数据集：《红绿灯(交通信号灯)检测数据集》 如果你需要红绿灯训练代码：《YOLOv5实现红绿灯检测(含红绿灯数据集+训练代码)》 更多项目《智能驾驶 车牌检测和识别》系列文章请参考： 智能驾驶 车牌检测和识别（一）《CCPD车牌数据集》：https://blog.csdn.net/guyuealian/article/details/128704181智能驾驶 车牌检测和识别（二）《YOLOv5实现车牌检测（含车牌检测数据集和训练代码）》：https://blog.csdn.net/guyuealian/article/details/128704068智能驾驶 车牌检测和识别（三）《CRNN和LPRNet实现车牌识别（含车牌识别数据集和训练代码）》：https://blog.csdn.net/guyuealian/article/details/128704209智能驾驶 车牌检测和识别（四）《Android实现车牌检测和识别（可实时车牌识别）》：https://blog.csdn.net/guyuealian/article/details/128704242智能驾驶 车牌检测和识别（五）《C++实现车牌检测和识别（可实时车牌识别）》：https://blog.csdn.net/guyuealian/article/details/128704276智能驾驶 红绿灯检测（一）《红绿灯(交通信号灯)数据集》：https://blog.csdn.net/guyuealian/article/details/128222850智能驾驶 红绿灯检测（二）《YOLOv5实现红绿灯检测(含红绿灯数据集+训练代码)》：https://blog.csdn.net/guyuealian/article/details/128240198智能驾驶 红绿灯检测（三）《Android实现红绿灯检测(含Android源码 可实时运行)》：https://blog.csdn.net/guyuealian/article/details/128240334智能驾驶 车辆检测（一）《UA-DETRAC BITVehicle车辆检测数据集》：https://blog.csdn.net/guyuealian/article/details/127907325 智能驾驶 车辆检测（二）《YOLOv5实现车辆检测(含车辆检测数据集+训练代码)》：https://blog.csdn.net/guyuealian/article/details/128099672 智能驾驶 车辆检测（三）《Android实现车辆检测(含Android源码 可实时运行)》：https://blog.csdn.net/guyuealian/article/details/128190532
|
【本文地址】