PaddleDetection学习3——使用Paddle-Lite在 Android 上部署PicoDet模型（fp16）

已于 2024-01-19 17:39:50 修改
阅读量428 收藏
点赞数
分类专栏： PaddleDetection目标检测实战 文章标签： paddle android 目标检测
于 2024-01-19 16:46:48 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/u014377655/article/details/135698909
版权
本文介绍了如何在Android设备上使用Paddle-Lite部署PicoDet模型（fp16）的过程，包括环境准备、下载Paddle-Lite-Demo、修改build.gradle文件、解决NDK配置问题、更新预测库支持FP16、替换库文件，以及部署模型到移动端的详细步骤。同时强调了算法前后处理和模型结构的注意事项。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

使用Paddle-Lite在 Android 上运行PicoDet模型（fp16）

1. 环境准备

参考前一篇在 Android 上使用Paddle-Lite实现实时的目标检测功能

2. 部署步骤

参考目标检测 C++ API Demo 使用指南

2.1 下载Paddle-Lite-Demo

下载链接
目标检测 Demo 位于 Paddle-Lite-Demo/object_detection/android/app/cxx/picodet_detection_demo 目录

2.2 打开 picodet_detection_demo项目

2.2.1 修

了解本专栏 订阅专栏 解锁全文 超级会员免费看
Paddle-Lite-Demo:库，演示，模型，数据
05-13
Paddle-Lite-Demo Paddle-Lite提供IOS、Android和ARMLinux的示例，具体如下： iOS示例: 基于MobileNetV1的图像分类（支持视频流）； 基于MobileNetV1-SSD的目标检测（支持视频流）; Android示例: 基于MobileNetV1的图像分类； 基于MobileNetV1-SSD的目标检测； 基于Ultra-Light-Fast-Generic-Face-Detector-1MB的人脸检测； 基于DeeplabV3+MobilNetV2的人像分割； 基于视频流的人脸检测+口罩识别； 基于YOLOV3-MobileNetV3的目标检测； ARMLinux示例: 基于MobileNetV1的图像分类； 基于MobileNetV1-SSD的目标检测； 关于Paddle-Lite和示例，请参考本文剩余章节和如下文档链接： 文档官网中
在Android设备上使用PaddleMobile图像分类的demo
08-22
在Android设备上使用PaddleMobile图像分类的demo源码。
PaddleDetection学习2——使用Paddle-Lite在 Android 上实现行人检测
WAF
01-19 285
在 Android 上使用Paddle-Lite实现实时的目标检测功能，模型为mot_ppyoloe_s_36e_pphuman
paddleLite在Android部署初体验（环境问题）
留缘的博客
05-09 1943
Paddle Lite是百度开发的一种方便部署的深度学习推理框架，笔者最近想接触一些模型部署相关项目，就先接触了一下Paddle Lite，这篇文章主要是想记录一下运行例程的时候遇到的问题。Paddle Lite是一个高性能、轻量级、灵活性强且易于扩展的深度学习推理框架，定位于支持包括移动端、嵌入式以及边缘端在内的多种硬件平台。根据官方的介绍，我们在Android上进行模型部署需要具备以下环境条件：adb调试工具；Android手机或开发版；
Paddle-Lite 安卓端部署
ralph_ljt的博客
11-16 5307
Paddle-Lite 安卓端部署 最近因为疫情原因宅在家里，就搜集了些照片用PaddleDetection训练了一个口罩分类的模型，摸索了一下Paddle-Lite的Andriod部署，恰好Paddle-Lite最近也有比较大的迭代更新，这篇博客记录了我的摸索过程和一点点心得。 我不太熟悉Andriod开发，此demo仅仅在Paddle-Lite-DemoPaddle-Lite-Demo的基础上替换模型，修改了少量代码，以跑通训练和部署流程为目的。 如果此文能帮到大家，请给个小星星吧 Github 废话
[Paddle Detection]基于PP-PicoDet行车检测（完成安卓端部署）
一名在读大学生，正在学习深度学习，会定期分享一些该领域内容。欢迎大家一起交流学习~
12-28 1438
基于PP-PicoDet行车检测（完成安卓端部署）_哔哩哔哩_bilibili基于视觉深度学习的自动驾驶场景，旨在对车载摄像头采集的视频数据进行道路场景解析（行车检测），为自动驾驶提供一种解决思路。该项目使用bdd100k_car数据集训练，并完成了安卓部署。现如今，汽车在日益普及人们的生活，再给人们带来极大便利的同时也造成了拥堵的交通更为频发的交通事故。通过行车检测不仅能够更好的帮助司机检查路况，并且还能够更好的规化当前的路程管理，减轻道路的拥堵情况。 在车辆驾驶中主要考验的是司机如何应对其他行驶车辆的可
手把手教你 通过使用 Android studio 实现Paddle lite部署 手机app
qq_38758774的博客
03-21 6446
手把手教你 通过使用 Android studio 实现Paddle lite部署 手机app 此次主要熟悉怎么部署手机应用， 环境：Android studio，Paddle-lite , windows 10， 一部安卓手机 图1 图2 图3 图4 一，环境安装 部署到手机前需要安装Android Studio和jdk 也就是java的环境。我的电脑是64位系统，所以jdk是64位的，已经公开在数据
PaddleDetection学习1——使用Paddle-Lite在 Android 上实现实时的目标检测功能
WAF
01-17 685
使用Paddle-Lite在Android实现实时的目标检测功能，模型为yolov3_mobilenet_v3，cpu预测时间170ms，FP16优化后，预测时间80ms。
PaddleDetection学习5——使用Paddle-Lite在 Android 上实现实时的人脸检测（C++）
最新发布
WAF
02-06 889
使用Paddle-Lite和OpenCV在Android上实现实时的人脸检测c++版，启动手机摄像头对图像进行实时处理，预处理7ms，预测15ms，后处理1ms。
PaddleDetection学习4——使用Paddle-Lite和OpencCV在 Android 上实现实时的人脸检测（java）
WAF
02-01 724
使用Paddle-Lite和OpenCV在Android上实现实时的人脸检测，预处理2ms，预测15ms，后处理1ms。
AIStudio PaddleDetection Picodet 增量训练自己数据
idwtwt的专栏
09-16 648
【代码】AIStudio PaddleDetection Picodet 增量训练自己数据。
基于Paddle Lite在Android手机上实现图像分类
夜雨飘零
08-02 5023
Paddle Lite是飞桨基于Paddle Mobile全新升级推出的端侧推理引擎，在多硬件、多平台以及硬件混合调度的支持上更加完备，为包括手机在内的端侧场景的AI应用提供高效轻量的推理能力，有效解决手机算力和内存限制等问题，致力于推动AI应用更广泛的落地。
PaddleDetection的Picodet_s_416_lcnet训练自己的模型转RKNN3588所需的rknn模型详细教程
weixin_64058241的博客
04-21 805
PaddleDetection的Picodet_s_416_lcnet训练自己的模型转RKNN3588所需的rknn模型详细教程
基于PaddleDetection和PP-PicoDet对交通信号标志图像分类
m0_63642362的博客
05-27 939
转自AI Studio，原文链接：基于PaddleDetection和PP-PicoDet对交通信号标志图像分类 - 飞桨AI Studio 基于PicoDet_LCNet的中国交通标志图像的分类检测 1. 项目说明 对于交通标志识别系统,其核心作用就是可以准确并及时的识别道路交通标志信息获取当前路况以及行车环境,从而起到提醒和辅助驾驶员对道路信息的把控以及纠正错误交通行为的作用。传统的目标检测算法容易受到多种因素影响导致算法实现困难、识别精度低、识别速率慢等问题。 为解决以上问题，最终选用飞桨目标
飞桨领航团AI达人创造营4-安卓部署全流程部署口罩目标检测模型（落地部署安卓手机）
邁書傑的博客
08-07 1132
安卓部署全流程部署口罩目标检测模型（落地部署安卓手机） 项目简介 1 该项目使用Labelimg进行数据标注，自定义数据集； 2 使用Paddlex将数据集划分为训练集、测试集； 3 使用PaddleDetection目标检测套件训练模型； 4 最后导出模型，通过PaddleLite生成.nb文件，部署到手机上； 5 安卓部署详细操作； （1）配置系统环境 （2）下载PaddleLite-dome （3）下载Android Studio开发环境并配置软件环境 （4）dome调试 （5）根据dome，加入自己
paddleDetection-目标检测全流程教程
左手coding，右手cooking
03-11 3713
参考链接： https://github.com/PaddlePaddle/PaddleDetection/blob/release/2.0-rc/docs/tutorials/DetectionPipeline.md 文教程以路标数据集为例，使用yoloV3算法详细说明paddleDetection全流程使用教程，包含：准备数据，选择模型，训练模型，评估，预测，模型压缩和模型部署。 数据准备 关于数据准备的请参考： 注意： （1）数据集中路径名、文件名不要包含空格，尽量不要使用中文 （2）用户数据，建.
《我的PaddlePaddle学习之路》笔记十四——把PaddlePaddle迁移到Android设备上
夜雨飘零
07-22 4487
目录 目录 前言 编译PaddlePaddle库 使用Docker编译PaddlePaddle库 可能会出现的问题 使用官方的Docker容器 开始编译PaddlePaddle库 使用Linux编译PaddlePaddle库 安装依赖环境 配置编译环境 编译和安装 训练模型 定义神经网络 编写训练代码 初始化PaddlePaddle 获取训练参数 获取训练器 开始训练 编写预...
paddle的demo在android stdio遇到的一些问题
m0_68084683的博客
02-15 185
避坑的android stdio运行paddle demo出现的问题
[AI达人创造营二期]从0学安卓部署
m0_63642362的博客
02-11 256
[AI达人营二期]从0学安卓部署-以CV分类为例进行演示
Paddle-Lite Python3环境下的WHL文件介绍
总之，Paddle-Lite的python3 whl文件为开发者在ARM Linux环境下进行深度学习模型的部署和推理提供了一种高效便捷的方式。通过简单的安装步骤，开发者即可将优化后的模型部署到移动和嵌入式设备上，开展各种基于深度...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

waf13916

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值