文章目录
前言
本文针对于刚接触深度学习的小白（我也是这学期才开始接触，嘿嘿嘿）。今天，让我们从安装pycharm开始，搭建yolov5（建议使用，因为比较成熟了，而且后面的模型转化会很方便）环境（我用yolov7作演示，主要是两者的方式基本一致，顺便试验一下能不能跑通），制作数据集，通过租赁服务器运行代码并将最终结果量化为tflite并部署到Android Studio上生成APP。
一、使用专业版Pycharm并连接到服务器（有经验的大佬可以跳过这一部分）
首先，为什么要用专业版的Pycharm捏。我们登录官方的网站：https://www.jetbrains.com/pycharm/download/#section=windows
发现分为Community和Professional两个版本，如果你的主机上有2080ti，3060，3090，Tesla V100······的话，你两个都可以进行选择，但是如果你和我一样囊中羞涩，请安装专业版，因为他能连接云服务器租赁显卡来进行深度学习。对于自己有显卡的小伙伴，也可以按照我们的步骤下去，当然也可以安装cuda，安装cuda版本的pytorch在本机上进行运行。
我个人使用的是AutoDL（新注册一个账号就能免费获得5个小时的3090，只要你脸皮够厚，就能无限使用），如果你已经有了其他的云服务器平台，可以跳过这一环节。首先登陆矩池云的服务器租赁平台，进行简单的注册，微信绑定：
https://www.autodl.com/home
然后我们选择“我的实例”，租用新实例，会看到
这里推荐使用深圳A区，个人觉得地域会极大程度上后面数据上传的速度，所以可以选择离自己近一些的服务器。比如这里我选择深圳A区的3090，然后挑选镜像，这边我们选择pytorch1.9.0,python3.8,cuda11.1。
然后你就可以在“我的实例”中看到自己的服务器打开了，上面有自己的登陆指令。接下来返回Pycharm。（完成此项目不需要安装Anaconda，更不需要配置虚拟环境，都在服务器中完成环境配置）
首先，点击Pycharm的右下角<无解释器>，选择添加解释器
选择SSH解释器，将登陆指令的第一个填入主机，将其中的数字（我这边是53560）填入后方的端口，然后删除包括@之前的所有内容！删除包括@之前的所有内容！删除包括@之前的所有内容！用户名填写root，点击连接：
复制，粘贴密码后进入此界面。这里，解释器选择/root/minicinda3/bin/python，同步文件夹选择root/autodl-tmp，千万不要用默认的同步文件夹，否则以后要多次使用此文件夹时你就会感受到绝望。
最后，在终端Terminal中选择我们刚才创建的服务器就完成了第一阶段的所有任务（完成后你可以先关机，没为什么，省钱）
二、如何搭建yolov5（yolov7），如何制作自己的数据集，并通过服务器进行代码运行
https://github.com/search?q=yolov5&type=
https://github.com/search?q=yolov7
在github上搜索yolov5或者yolov7，点击star数量最多的那一个并进行下载，解压，打开，你会得到如下的画面：
我们所要关注的只有三个文件，train.py，detect.py和自己生成的dataset.yaml
首先来说dataset.yaml，它的目的就是引入你的数据集路径（可以是相对路径，也可以是绝对路径），见下面的代码，因为最后我们要将代码在服务器中运行，所以路径并不是常见的C:///或者D:///，具体会在下一章节进行解释。nc表示的是接下来你的模型准备的分类个数，names表示分类的名称，这里一定要记住names的标签顺序，对于最后的APP顺序有不可忽视的影响。
train: /root/autodl-tmp/main/images/train # train images
val: /root/autodl-tmp/main/images/val # val images
test: /root/autodl-tmp/main/images/test # test images (optional)
# Classes
nc: 2 # number of classes
names: ['face','mask'] # class names
其次是train.py，我们将注意力放到这边：
第一个表示的是刚才我们放在data下的dataset.yaml文件，需要进行修改。第二个参数表示Epoch的迭代次数，yolov5和yolov7的设置稍有不同，yolov7的训练速度明显提升了，设置成200-300也没有什么关系。yolov5训练速度则相对较慢，基本迭代到100已经完全收敛了（不是太复杂的数据集），所以设置成100就行。第三个参数表示的是每次训练的图片数量，理论上其值越大，模型收敛的越快，模型的训练要过越好，但是明显的，其占用的显存也就越大，这里设置成8，16，32都可以。
如果想在没有自己训练结果的情况下得到目标检测的结果，可以从刚才下载文件的地址下方（yolov7)或者自带的文件夹中(yolov5)得到预训练权重，然后打开prcharm终端，输入：
python detect.py --weights yolov7.pt --conf 0.25 --img-size 640 --source inference/images/horses.jpg
来检测官方的示例图片。然后就可以在./runs/detect/exp中看到已经运行的图片结果。
接下来就要制作数据集了，这里以我的口罩检测数据集为例，首先，你得有一堆照片，可以去网上爬虫，当然向我们这种懒人直接下载我帮你们整理好的轻量级数据集就行，网盘链接我放在下边。
链接：https://pan.baidu.com/s/1Y47KpOmV4Y6q796a02SlQQ
提取码：gyo5
如果你想要自己制作一个数据集，请将图片按照这种格式进行排列，其中test,val,test的比例可以按照7：1.5：1.5进行分配：
其中，labels是标注，需要你通过labelimg,VOTT之类的标注软件进行标注，一个字，累，两个字，很累。作为一个一天标注过4000张图片的人来说，我太懂这种痛苦了。所以，作为新手教程，可以直接使用我的数据集，然后把.cache的所有文件给删掉，防止后面报错。
接下来将刚才关掉的服务器开机，哔~，这时候，你需要一个名叫FileZilla的软件来将你刚才的数据集放到root/autodl-tmp/下面。这个软件的按照包我也放在下面了，乌拉乌拉。
链接：https://pan.baidu.com/s/1K7fidcml-KMv5qb63o6BZg
提取码：zrbl
接下来，打开FileZilla，选择文件，打开站点管理器，和刚才连接一样，填写主机，端口号，选择协议为SFTP（玩过树莓派的应该熟悉的很）。登陆类型，用户，密码乖乖填写，然后连接，哔~，就连上了。然后，在右方找到root/autodl-tmp，将刚才下载好的main整个玩意儿拖过去就行了。
回到Pycharm，在服务器终端先输入这个来配置运行环境
pip install -r requirement.txt
然后再输入这个开始训练：
python train.py --workers 8 --device 0 --batch-size 16 --data data/dataset.yaml --img 640 640 --cfg cfg/training/yolov7.yaml --weights '' --name yolov7 --hyp data/hyp.scratch.p5.yaml
至于为啥不用Multiple GPU training，问就是没钱。实际上跑yolo这种模型，一张3090很够用了，而且我们的数据集也不大。
接下来，你就会很兴奋的看到在运行了：
QQ录屏20220717213551(1)
等待20-30分钟，就能在服务器中看到run这个文件夹了，对于yolov5来说，直接把整个文件夹拖动到自己的电脑上就行，对于yolov7的玩家，千万不要整个拖过来，因为yolov7保存的并不只有best.pt和last.pt，还有每隔50个epoch就保存的各种pt文件，所以，只要把best.pt和last.pt拖动过来，然后再把另外的不是pt文件的所有文件移动过来就行，就像这样
里面的各种文件是什么意思我就不解释了喔，只要得到了best.pt，你就已经成功了。
三、模型量化为tflite，并查询输入输出参数
这一步原理很复杂，但是我们操作很简单，网上也有很多的视频和博主进行讲解，这边我们以操作实践为主，先不过多赘述。使用yolov5的玩家直接运行以下的两个命令就行，将其转化为fp16或者int8的tflite，yolov7的玩家就比较惨了，需要按照基本流程，回到熟悉的ONNX轨道完成模型转化，毕竟现在官方的转化方式还没出来。
python export.py --weights best.pt --include tflite --img 320
python export.py --weights best.pt --include tflite --img 320 --int8
生成best-fp16.tflite后接下来的这一步非常的关键，对于后面生成APP至关重要，就是要确认你的输入和输出的各种参数，原理也不用清楚，直接含泪拿代码去用吧：
import tensorflow as tf
yolo = 'best-fp16.tflite'
interpreter = tf.lite.Interpreter(model_path=yolo)
print(interpreter.get_input_details())
print(interpreter.get_output_details())
哦哦哦对了，各位还要安装一下tensorflow啊，有anaconda的小伙伴应该也不用我教了，pip install 就行，没有anaconda的解释器那边的+号输入tensorflow安装即可。
下面的两行就是一会我们要用到的参数。
四、将tflite部署到Android Studio生成APP
首先，你得有一个Android Studio，官方下载比较坑，建议再Edge中下载，不要用QQ浏览器，谷歌浏览器。然后万一下载不成功，网页一直是白色的在那转圈圈，就把https://巴拉巴拉改成http://巴拉巴拉，大概率就开始下载了，然后就是安装啥的，可以借鉴别的博主，应该没啥难度。
然后在这里感谢哔哩哔哩up主“薛定谔的AI”对于我的帮助，以及他在github上的公开代码，以及讲解非常详细的视频，在这里附上他的视频，以及GitHub的代码：
https://www.bilibili.com/video/BV1La411e7NC?spm_id_from=333.999.0.0&vd_source=1503406ceaa38ef2b7a80858cc245359
https://github.com/yyccR/yolov5-tflite-android
解压后在Android Studio中打开工程，如果是第一次，首先会碰到的第一个问题就是gradle文件报错，这时候没关系，点击红色的连接进行下载，将安装包放到如下的目录中（不要解压），就像这样：
然后我们重启Android Studio，这时候，我们唯一需要改动的文件就是Yolov5TFLiteDetector.java，为四要修改的参数在图中已经标注（fp16），如果你使用量化为int8格式的tflite，请按照上面介绍的那位大佬的视频进行进一步的修改。320，320就是我们刚才得到的输入图片的大小。6300和7就是输出，然后把第三个方框改成自己的tflite文件，第四个txt需要自己写，注意顺序和训练时候的标注顺序相同，前面已经提醒过一次啦：
然后我们点击运行，如果没有虚拟设备的话就下载一个，建议安卓9（黑鲨2使用者，无比骄傲）主要是其兼容性比较好，安卓11，12会有时出现排版错乱的问题。
然后我们点击运行，如果没有问题的话（应该不会出问题吧，各位老铁）就生成apk文件，点击build，生成apk，然后一系列简单易懂的操作就能在release中得到apk文件，然后你进行安装，使用，得到最终的结果：
每秒10帧左右，运行起来比较流畅。
总结
至此，我们这一个时间部分就完成了。大二下这学期开始接触深度学习以来，一直都是很有趣的，也接触了很多有意思的设备，比如说树莓派，K210，pynq-z2，roc-rk3588s等，如果大家对于这些设备有什么不懂的问题的话，可以在评论区留言，大家一起讨论。作为第一篇博客（《有关于机器人巡逻的一些有趣猜想》不算，去年发的一篇个人认为很有意思的文章，我用了一个很简单又很有趣的想法解决机器人的巡逻路线问题），也是对于自己的鼓励吧，接下来我会多发一些有关于边缘AI，或者是数学建模的文章，和大家一起讨论。
2167
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
