将训练好的YOLOV8模型部署到【Android Studio】

仰空的盲者

已于 2024-04-11 16:53:10 修改

阅读量246

点赞数

于 2023-10-08 12:20:41 首次发布

本文链接：https://blog.csdn.net/m0_65157297/article/details/133637695

版权

其他同时被 2 个专栏收录

6 篇文章 0 订阅

订阅专栏

目标检测

2 篇文章 1 订阅

订阅专栏

本文详细介绍了如何将自定义训练的YOLOv8模型转换成ONNX和ncnn格式，并在Android Studio项目中进行部署。通过修改yolo.cpp、strings.xml和yolov8ncnn.cpp文件，确保类别数量和模型文件名匹配，最终成功在移动端运行模型并展示效果。

摘要由CSDN通过智能技术生成

一、说在前面

最近在学习如何将yolov8的项目部署到移动端的安卓手机上面。在这里记录

承接上期文章从零开始部署yolov8到安卓手机详细教程【Android Studio】

二、将自定义的数据训练好的pt文件转为onnx文件

from ultralytics import YOLO
model = YOLO("best.pt")
success = model.export(format="onnx", simplify=True, opset=12)  # 将模型导出为 ONNX 格式

三、将转换后的onnx文件转为nccn文件

省去编译转换工具的时间开箱即用，一键转换

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

仰空的盲者

关注关注

0
点赞
踩
3

收藏

觉得还不错? 一键收藏
打赏
0
评论
复制链接

分享到 QQ

分享到新浪微博

扫一扫

专栏目录

yolov5模型部署到android及其注意事项

m0_59749051的博客

08-30

2744

具体流程可以参照迷途小书童note，内容非常详尽，只要肯细心完成部署完全没有问题。文章如下。

Windows10 将自己的yolov5模型部署在Android手机端

a18766640432的博客

09-27

795

终端输入python train.py --img 640 --batch 5 --epochs 5 --data ./data/coco1128.yaml --cfg ./models/yolov5s.yaml --weights ./yolov5s.pt。终端输入python detect.py --weights runs\train\exp\weights\best.pt --source shiyan.mp4 --view-img。下载ncnn-android-yolov5-master。

参与评论您还未登录，请先登录后发表或查看评论

【Android Studio】【NCNN】YOLOV8安卓部署

笔记

11-15

5070

连接手机，打开手机的开发者模式，打开USB调试，打开USB安装，等Android Studio检测到我的红米K30Pro，然后点击运行，这时app就可以安装到手机上了，可以正常识别。把ncnn-20231027-android-vulkan里面的文件放到ncnn-android-yolov8的\app\src\main\jni目录下。修改ncnn-android-yolov8\app\src\main\jni里面的CMakeLists.txt文件，就是我们刚刚下载的两个文件的路径。

Yolov8目标检测——在Android上部署Yolov8 tflite模型

知来者逆的博客

05-10

6978

TensorFlow Lite (tflite) 是一种用于移动和嵌入式设备上的机器学习模型的格式。它允许开发者将训练好的 TensorFlow 模型转换为一个更小、更快、更高效的格式，以便于在资源受限的环境中运行，比如智能手机和微控制器。

YOLOv8模型训练&部署到Android端

热门推荐

qq_45955154的博客

01-02

1万+

YOLOV8部署AndroidStudio

weixin_50585794的博客

09-12

5440

yolo部署android studio

yolov8将自己的模型部署到安卓上

qq_52191741的博客

03-25

2542

因为我的模型是剪枝过的，对这玩意也一窍不通，最开始看到的时候就没试。昨天突然想到下载的包里有个doc文件夹，里面有4张代码图片，我最开始还合计为什么要放这几张图片，昨天突然想通了可能要按照这个图片里的东西改一下，结果照里面改完之后代码都跑不了了。总结一下就是训练好模型之后，用exporter.py导出onnx之前把C2f和Detect按照图片里的代码改一下再导出就完事了。亲测剪枝后的模型也可用。今天在修bug的时候突然想到可能训练的时候那个东西不用改，导出的时候要改，然后试了一下，然后。

轻量化的yolov8部署到安卓Android手机端

TracyGC的博客

01-12

8548

具体在Ultralytics/demo.py 代码里面也有体现# 将模型导出为 ONNX 格式在安卓端使用demo项目在转换前需要对项目源码作出一些修改，修改具体见下面步骤。待修改的内容在ncnn-android-yolov8-main/doc/中有显示，如使用检测任务则修改c2f.jpg和Detect.jpg两张图片上的内容。

yolov8模型集成到android端demo

01-22

在本文中，我们将深入探讨如何将YOLOv8模型集成到Android端的Demo应用程序中，以便实现图像识别功能。YOLO（You Only Look Once）是一种实时目标检测系统，以其高效和准确性而闻名。YOLOv8是YOLO系列的最新版本，它...

yolov5模型部署到安卓手机-源代码

06-20

yolov5模型部署到安卓手机-+模型文件+app源代码，下载后可以直接编译使用；详情请参考文章： https://blog.csdn.net/qq122716072/article/details/125371307 示例：内容概要：安全帽识别模型部署android app

Android 下内联汇编，Android Studio 汇编开发

CYRUS STUDIO

11-09

1099

由于 Android 设备可能使用不同的 CPU 架构（如 ARM、ARM64、x86 和 x86_64），使用条件编译和 NDK 的特性，我们可以让代码适配不同的 CPU 架构。) 指令，判断当前编译架构并编写相应的内联汇编代码。在 Android 开发中，编写兼容不同架构的内联汇编代码时，可以通过条件编译来处理不同的指令集。占位符用于在汇编指令中插入 C++ 变量，格式为 %0、%1 等，对应输出和输入操作数的顺序。汇编指令：这是我们想要执行的汇编代码，通常是 ARM 或 ARM64 指令。

Android Studio | 最新版本配置要求高，JDK运行环境不适配，导致无法启动App

Qj60776671的博客

11-12

176

build.gradle 文件的 dependencies 部分中，使用libs 作为一些常用库的别名。这些别名在项目的 gradle.properties 文件或者某个特定的 versions.properties 文件中定义，能够简化依赖项的管理，在多处使用相同库时可以更方便地更新版本号。

Android Studio加载旧的安卓工程项目报错处理

zmlovelx(帅得不敢出门程序员群31843264)

11-07

1271

新版本的Android Studio加载旧的安卓工程项目，会报各种问题 1. Invalid Gradle JDK configuration found 2. NDK not configured. Download it with SDK manager. Preferred NDK version is 3. CMake '3.10.2' was not found in PATH or by cmake.dir property 4. com.intellij.openapi.externalSy

android studio 轮询修改对象属性（修改多个textview的text）

kim5659的博客

11-12

188

要把所有的内容清空，一共有81个textview，要是一条条写可累死了，于是想到了轮询访问的方法。这个方法应用场景可能不多，但要是用起来不会也麻烦。例程名称：loopsettextviewtext。要可以玩自定义游戏，点击清空后，所以数字要清除。android studio版本：23.3.1。

Android Studio | 修改镜像地址为阿里云镜像地址，启动App

Qj60776671的博客

11-12

316

在项目文件的目录下的 settings.gradle.kts 中修改配置，配置中包含插件和依赖项。

Android Studio 学习——整体框架和概念

weixin_74209371的博客

11-11

959

Android studio 学习——框架

【Android开发】Android Studio 3.2.0汉化

qq_39150957的博客

11-12

175

本教程主要讲了如何将Android Studio 3.2.0汉化。附带汉化包下载连接

android studio 更改gradle版本方法（备忘）

kim5659的博客

11-10

401

android-gradle scripts-gradle-wrapper.properties内。消息时需要修改gradle版本，升级和降级也适用。这个链接已经无法访问了，无法下载文件。

MongoDB分片集群搭建教程：副本集创建与数据分片

最新发布

11-12

内容概要：本文提供了详细的MongoDB分片集群的搭建指导，涵盖了从环境准备、配置文件编写、副本集的建立、主节点的选择、配置服务器和数据分片服务器的配置到最后的路由节点的搭建与操作整个流程，以及对数据库的哈希与范围两种分片策略的应用介绍和具体命令执行。适合人群：熟悉NoSQL数据库概念并对MongoDB有一定了解的技术人员，尤其是在大型数据管理和分布式数据库架构设计中有需求的开发者。使用场景及目标：帮助技术人员掌握构建高效能、高可用性的MongoDB分片集群的方法，适用于处理大规模、实时性强的数据存储与读取场景。其他说明：文中通过实例演示了每个步骤的具体操作方法，便于跟随文档实操，同时也介绍了可能遇到的问题及其解决方案，如在没有正确配置的情况下试图写入数据时出现错误等情况的处理。

yolov5如何部署到android

09-21

### 回答1：您可以使用Android Studio将YOLOv5模型部署到Android设备上。首先，您需要将YOLOv5模型转换为TensorFlow Lite格式，然后将其添加到Android Studio项目中。接下来，您可以使用Java或Kotlin编写代码来加载模型并在Android设备上运行YOLOv5目标检测。具体的步骤和代码实现可以参考相关的教程和文档。 ### 回答2：要将YOLOv5部署到Android设备上，可以按照以下步骤进行： 1. 安装Android开发环境：确保已安装Java开发工具包（JDK）和Android Studio。这样可以使用Android Studio进行开发和构建。 2. 创建一个新的Android项目：在Android Studio中创建一个新的项目，并选择合适的项目名称和存储位置。 3. 添加YOLOv5模型：将YOLOv5的模型文件（如.weights或.pt文件）添加到Android项目的"assets"文件夹中。 4. 配置项目依赖项：在项目的build.gradle文件中，通过添加相应的依赖项，引入OpenCV和PyTorch库。 5. 配置JNI接口：创建一个JNI（Java Native Interface）接口文件，将其与YOLOv5模型集成。JNI接口可以通过调用本地C/C++代码来连接Java代码和模型。 6. 编写Java代码：编写适当的Java代码以加载YOLOv5模型并进行目标检测。这包括从相机捕获图像，调用JNI接口加载模型并获取检测结果。 7. 构建和打包项目：使用Android Studio进行构建，以生成一个或多个APK文件。确保配置AndroidManifest.xml文件以获取所需的权限和功能。 8. 安装和运行应用程序：将生成的APK文件发送到Android设备，并安装和运行应用程序。确保设备具有足够的性能和存储空间来运行YOLOv5模型。通过以上步骤，您就可以将YOLOv5成功部署到Android设备上，并使用相机进行实时目标检测。请注意，这个过程可能需要一些开发经验，并且可能需要在不同的环境中进行一些调整和修改，以适应您的具体需求和设备。 ### 回答3：要将YOLOv5部署到Android设备上，可以按照以下步骤进行操作：首先，需要将YOLOv5模型转换为适用于Android设备的格式。可以使用ONNX或TFLite等工具将模型从PyTorch转换为可在Android上运行的格式。接下来，创建一个Android项目，并将转换后的模型文件添加到项目中。在Android项目中，需要使用相关的深度学习推理库，如TensorFlow Lite或NCNN。这些库支持在Android设备上运行深度学习模型。可以根据自己的需求选择合适的库，并将其集成到Android项目中。然后，在Android项目中编写代码，加载转换后的模型，并使用深度学习推理库进行目标检测。可以使用相机API或视频流作为输入，对每一帧进行目标检测，并将检测结果显示在屏幕上。为了提高目标检测的性能，可以使用一些优化技术。例如，可以使用图像预处理技术对输入图像进行调整和裁剪，以提高模型的准确性和速度。此外，还可以使用硬件加速技术，如GPU或NEON指令集，来加速推理过程。最后，将整个Android项目构建为一个APK文件，并安装到Android设备上进行测试。可以在实际场景中测试模型的性能和准确性，并根据需要进行调整和优化。总的来说，将YOLOv5部署到Android设备上需要进行模型转换、库集成、代码编写和优化等步骤。这些步骤确保了将YOLOv5成功部署到Android设备上，并实现在移动设备上进行实时目标检测的功能。