YoloV5模型用NCNN集成到Android应用

YoloV5模型用NCNN集成到Android应用

步骤如下

1. YOLOV5模型训练及代码解读请参考https://blog.csdn.net/qq_46173016/article/details/129379962
2. https://baijiahao.baidu.com/s?id=1760078526568034655&wfr=spider&for=pc
3. 将训练好的YOLOV5模型转换成ONNX(Open Neural Network Exchange 开放神经网络交换格式)。V5可训练的模型如下：
   
   4.模型说明如下
   YOLOv5s：YOLOv5 系列中最小的模型。“s” 代表 “small”（小）。该模型在计算资源有限的设备上表现最佳，如移动设备或边缘设备。YOLOv5s 的检测速度最快，准确度相对较低。
   YOLOv5m：YOLOv5 系列中一个中等大小的模型。“m” 代表 “medium”（中）。YOLOv5m 在速度和准确度之间提供了较好的平衡，适用于具有一定计算能力的设备。
   YOLOv5l：YOLOv5 系列中一个较大的模型。“l” 代表 “large”（大）。YOLOv5l 的准确度相对较高，但检测速度较慢。适用于需要较高准确度，且具有较强计算能力的设备。
   YOLOv5x：YOLOv5 系列中最大的模型。“x” 代表 “extra large”（超大）。YOLOv5x 在准确度方面表现最好，但检测速度最慢。适用于需要极高准确度的任务，且具有强大计算能力（如 GPU）的设备。
   YOLOv5n：YOLOv5 系列中的一个变体，专为 Nano 设备（如 NVIDIA Jetson Nano）进行优化。YOLOv5n 在保持较快速度的同时，提供适用于边缘设备的准确度。
   移动端建议选择v5s，也可选择v5m，转换为ONNX方式如下；
   如果未安装ONNX依赖，需先安装ONNX依赖，一般yolov5框架里配置，不需另外安装
   pip install onnx coremltools onnx-simplifier
   再进行转换
   python export.py --train --weights “E:\PythonProject\projectsteel\yolov5-master\runs\train\exp12 v5m.pt\weights\best.pt” --img-size 640 640`
   将ONNX进行压缩
   python -m onnxsim best.onnx best-sim.onnx
   
   5.将转换好的ONNX模型转换为NCNN格式：
   方式1：将ONNX型通过快捷转换转换成NCNN，快捷转换地址如下：
   https://convertmodel.com/
   方式2：使用protobuf进行转换（过程繁琐不推荐）具体可参考
   https://blog.csdn.net/u014723479/article/details/128274437?spm=1001.2101.3001.6650.1&utm_medium=distribute.pc_relevant.none-task-blog-2%7Edefault%7ECTRLIST%7ERate-1-128274437-blog-132402260.235%5Ev39%5Epc_relevant_yljh&depth_1-utm_source=distribute.pc_relevant.none-task-blog-2%7Edefault%7ECTRLIST%7ERate-1-128274437-blog-132402260.235%5Ev39%5Epc_relevant_yljh&utm_relevant_index=2
   6.Android端修改
   ①将生成的文件导入Android项目assets文件下面ncnn-android-yolov5-master\app\src\main\assets
   !
   ②修改Android项目下的yolov5ncnn_jni.cpp文件
   ncnn-android-yolov5-master\app\src\main\jni\yolov5ncnn_jni.cpp 将对应的文件配置到下面文件中
   
   ③将ncnn-android-yolov5-master\app\src\main\jni文件夹下的yolov5ncnn_jni.cpp的分类类别名改成自己模型的实际类别名
   
   ④修改stride 16和32部分
   修改源码文件yolov5ncnn_jni.cpp中Permute 节点的 output
   将param文件中permute部分与stride部分中blob_name后面的数字对应起来
   param文件中搜索permute会出来3个结果，我们选择
   我们使用Notre打开这个yolov5s.param文件，找到permute节点，这个permute节点一共有3个，分别是128,256,512尺寸的，我们需要的是256和512的输出维度 根据具体模型的数值配置，此处数值作为参考
   
   
   
   

备注：模型可视化网络结构可参考 https://blog.csdn.net/m0_63007797/article/details/133578327
神经网络结构 https://blog.csdn.net/qq_28087491/article/details/128776553?utm_medium=distribute.pc_relevant.none-task-blog-2_defaultbaidujs_baidulandingword~default-0-128776553-blog-133578327.235^v39pc_relevant_yljh&spm=1001.2101.3001.4242.1&utm_relevant_index=1

资料参考：
①https://blog.csdn.net/tampatation/article/details/132402260
②NETRON https://blog.csdn.net/qq_28087491/article/details/128776553?utm_medium=distribute.pc_relevant.none-task-blog-2_defaultbaidujs_baidulandingword~default-0-128776553-blog-133578327.235^v39pc_relevant_yljh&spm=1001.2101.3001.4242.1&utm_relevant_index=1
③ https://blog.csdn.net/m0_63007797/article/details/133578327
④ https://blog.csdn.net/u014723479/article/details/128274437?spm=1001.2101.3001.6650.1&utm_medium=distribute.pc_relevant.none-task-blog-2%7Edefault%7ECTRLIST%7ERate-1-128274437-blog-132402260.235%5Ev39%5Epc_relevant_yljh&depth_1-utm_source=distribute.pc_relevant.none-task-blog-2%7Edefault%7ECTRLIST%7ERate-1-128274437-blog-132402260.235%5Ev39%5Epc_relevant_yljh&utm_relevant_index=2