yolov5平台模型格式转换&安卓端部署完整记录

0 效果演示：

Android Studio安装教程

1具体部署方案

• ONNX：该模型格式可以在不同的平台所需的模型格式之间进行转化
• CoreML：该格式的模型可以部署到Apple上，那至少需要有苹果两件套（iphone和Mac），前者作为部署端，后者用于开发苹果应用程序
• TFLite：Google的轻量级推理库，这种TensorFLow Lite格式的模型文件可以部署到基于Android的移动端上，这也是最理想的一种方式

模型转换方法

方法一 yolov5官方的转换方法：

为PyTorch > ONNX > CoreML > TFLite，最后从原始训练得到的pt模型文件转化为mlmodel、onnx和torchscript.pt

方法二

直接转换，参考链接，同样是使用yolov5的export.py导出，不过更加清晰直观

此方法为
zldrobit在yolov5官方的issue提出，现在已内置到yolov5，参见方法一；
建议直接使用yolov5官方进行模型转换

git clone https://github.com/ultralytics/yolov5  # clone
cd yolov5
#安装所需要的库
pip install -r requirements.txt  # install
pip install tensorflow==2.4.0

#运行yolov5/models路径下的tf.py
python export.py --weights yolov5s.pt --include tflite --img 320

部署

Android Studio安装

安装教程（最新版，如果你是第一次安装，跟着这篇教程走），重装请务必卸载干净
卸载参考我的另外一篇文章

使用Android Studio打开前面用的zldrobit仓库中的Android文件夹

3 打开后Android Studio，自动下载需要的依赖，选择虚拟机机型（或直接使用手机开发者选项，打开USB调试）

标签文件.txt需根据自己的数据集标签进行制作，这里使用默认的coco数据集对应的txt文件

将这两个模型文件放到assets文件下
接下来用USB连接PC和Android手机，一般需要打开手机的开发者模式才能被Android Studio检测到。若成功检测到，则点击运行，app会下载到手机上，最终成功安装

Android Studio详细开发教程（java）：yolov5 tflite量化原理及android部署详解
核心内容概括：

1 yolov5 tflite

（1)demo演示

（2）tflite量化原理

（3）tflite量化导出, 模型文件细节

3.2 Android部署(以摄像头检测为例)

（1）android部署整体流程
（2）相关依赖
（3）模型加载，输入与输出定义
（4）NNAPI代理，gpu代理，多线程加速
（5）tflite task和support的区别
（6）布局文件示例
（7）cameraX 摄像头数据细节
（8）摄像头逐帧分析器
（9）异步计算，避免UI刷新卡顿

3.3 替换自己的yolov5模型

（1）assert文件替换

• 导出自己的yolov5.tflite模型，建议用yolov5s，同时量化为fp16或者动态范围
• 定义自己的label.txt文件，每行为一个类名
• 将label.txt和yolov5.tflite放到assert目录下
  

（2）输入与输出修改

修改以下这4个地方(detetor/Yolov5TFLiteDetector.java)：

• 1 修改input size和output size：

  private final Size INPNUT_SIZE = new Size(320, 320);
  private final int[] OUTPUT_SIZE = new int[]{1, 6300, 85};
  

• 2 修改模型名/标签文件名：

  private final String MODEL_YOLOV5S = "yolov5s-fp16-320-metadata.tflite";
  private final String LABEL_FILE = "coco_label.txt";
  

• 3 如果模型是int8格式，则需要修改input/output的量化参数：

  MetadataExtractor.QuantizationParams input5SINT8QuantParams = new
  MetadataExtractor.QuantizationParams(0.003921568859368563f, 0);
  MetadataExtractor.QuantizationParams output5SINT8QuantParams = new
  MetadataExtractor.QuantizationParams(0.006305381190031767f, 5);
  

• 4 如果模型是int8格式，还需要修改setModelFile()方法里面：

  case "yolov5s":
  IS_INT8 = true;
  

总结：

如果模型是fp16或者动态量化的，只需要执行1，2步骤
如果模型是int8的，需要执行1，2，3，4步骤

参考链接：
1.在Android上运行YOLOv5目标检测
2.记录历经三天将自己的yolov5模型部署到Android安卓手机
3.YOLOv5学习记录(二): 模型转化及Android端部署
4.yolov5笔记（3）——移动端部署自己的模型（随5.0更新），个人认为是最值得参考的系列文章