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

2. 红绿灯检测数据集说明

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)GFLOPsmAP0.5
yolov5s640×6407.216.50.93919
yolov5s05416×4161.71.80.77174
yolov5s05320×3201.71.10.71944

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：《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 640 640

GitHub： 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。

（4） 一些异常错误解决方法

  • TNN推理时出现：Permute param got wrong size

官方YOLOv5: ONNX > CoreML > TFLite”>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：

  1. 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
  2. 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
  3. Demo支持图片，视频，摄像头测试

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)》