PaddleDetection学习5——使用Paddle-Lite在 Android 上实现实时的人脸检测（C++）

最新推荐文章于 2024-05-15 17:46:47 发布
最新推荐文章于 2024-05-15 17:46:47 发布
阅读量888 收藏
点赞数
分类专栏： PaddleDetection目标检测实战 文章标签： 学习 paddle android 目标检测
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/135979044
版权
本文介绍了如何在Android设备上利用Paddle-Lite实现人脸检测。首先，详细阐述了环境准备和部署步骤，包括下载Paddle-Lite-Demo并运行face_detection_demo项目。接着，针对后处理耗时较长的问题，通过引入OpenCV进行优化，显著减少了后处理时间。最后，实现了使用手机摄像头进行实时人脸检测的功能，优化后处理时间降至1.6ms，达到实时检测的效果。

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 上实现实时的人脸检测

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

2.1 下载Paddle-Lite-Demo

下载链接
人脸检测 Demo 位于 Paddle-Lite-Demo/face_detection/android/app/cxx/face_detection 目录

2.2 运行face_detection_demo项目

手机连接电脑，打开 USB 调试和文件传输模式，并在 Android Studio 上连接自己的手机设备（手机需要开启允许从 USB 安装软件权限）。
点击 Run 按钮，自动编译 APP安装到手机。

了解本专栏 订阅专栏 解锁全文 超级会员免费看
基于paddlepaddle实现的人脸识别demo
06-25
基于paddlepaddle实现的人脸识别demo
PaddleLite口罩识别的移动端部署实战
01-03
PaddleLite口罩识别的移动端部署实战 文章目录PaddleLite口罩识别的移动端部署实战1.准备编译环境1.1 Linux开发环境Android交叉编译环境要求配置环境具体步骤2.下载Paddlelite代码3.编译预测库4.将文件保存到手机5.在手机执行Demo6.查看结果 其他配置框架可参考以下： B站观看：https://www.bilibili.com/video/av88817410#reply2370693975 AI Studio观看：https://aistudio.baidu.com/aistudio/course/introduce/1022 GitHub项目地址
基于paddle-lite的支持人脸检测和佩戴口罩识别的Mjpg-Streamer
09-27
通过修改MJpg-Streamer代码，在获取的摄像头图像中，使用百度的paddle-lite框架和模型，进行人脸检测和佩戴口罩识别，并对未佩戴者语音提醒。
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3——使用Paddle-Lite在 Android 上部署PicoDet模型（fp16）
WAF
01-19 428
使用Paddle-Lite在 Android 上部署PicoDet模型，支持fp16，预测时间17ms。
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。
Androidapp接入PaddleOCR资源
03-29
Androidapp接入PaddleOCR资源
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
pp-picodet从环境配置到部署全流程（5）——PaddleLite端侧部署
机器人涮火锅的博客
07-27 708
PaddleDetection提供了Paddle Inference、Paddle Serving、Paddle-Lite多种部署形式，支持服务端、移动端、嵌入式等多种平台，提供了完善的Python和C++部署方案。Paddle Lite是飞桨轻量化推理引擎，为手机、IOT端提供高效推理能力，并广泛整合跨平台硬件，为端侧部署及应用落地问题提供轻量化的部署方案。本篇文章就是主要介绍paddlelite的使用。.........
PaddleOCR(文字检测&识别)集成到android端
最新发布
qq_45955154的博客
05-15 1956
使用ncnn将PaddleOCR模型集成到Android端，可以对常见中英字符进行检测和识别。
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。
『PPYOLO tiny尝鲜』基于PaddleDetection的人脸疲劳检测
Mefishes的博客
05-30 2601
今天你打瞌睡了咩？
Paddle实现人脸对比（二）
wozuishuai_的博客
04-14 962
我之前发过一篇基于孪生网络的人脸对比的文章，这篇文章也到了百度的推荐位置：但是，效果并不是很好。经过大量的搜索，我发现了一种新的方法，可以非常好的实现人脸对比。
tensorflow2.x实现人脸关键点检测
qq_42025868的博客
05-22 1417
1. 人脸关键点检测介绍 人脸关键点检测是检测人脸上的一些特征，通常检测点的数量为5，68，98点。 其流程为：输入一张图片->网络模型->关键点。 此博客以68点为例实现人脸关键点检测。 如图： 实现步骤： 获得到人脸图片以及其关键点坐标，也就是数据集。 数据处理 构建网络模型 训练模型 预测图片 2. 数据集 链接：https://pan.baidu.com/s/14W6OIU3h3FVwSEoEmlx8xA 提取码：bj9n 或者登录：https://aistudio.baidu.c
0.99M，150FPS，移动端超轻量目标检测算法PP-PicoDet来了！
Python中文社区
11-20 2135
说到目标检测，那可谓当前的自动驾驶、新零售、智慧工业等热门行业中的关键技术之一。目标检测不仅在行人、车辆、商品以及火灾检测等任务中发挥着极其关键的价值，在目标跟踪、姿态识别、手势控制、图像...
利用MTCNN和facenet实现人脸检测和人脸识别
热门推荐
AI吃大瓜的博客
12-09 6万+
利用MTCNN和facenet实现人脸检测和人脸识别 人脸检测和人脸识别技术算是目前人工智能方面应用最成熟的技术了。本博客将利用mtcnn和faceNet搭建一个实现人脸检测和人脸识别的系统。基本思路也很简单，先利用mtcnn的进行人脸检测，当然也可以使用其他的人脸检测方法，如Dilb，OpenCV，OpenFace人脸检测等等，然后再利用faceNet进行人脸识别，faceNet可简单...
基于paddle paddle的人脸识别算法，包括训练和识别
zj850324的博客
02-16 1520
在训练过程中，需要定义情绪和颜值评分的损失函数，并在训练过程中使用该损失函数来优化模型。与人脸识别模型集成：将情绪和颜值评分模型与人脸识别模型集成起来，使得可以同时进行人脸识别、情绪和颜值评分。在人脸识别模型预测出人脸后，将人脸区域传入情绪和颜值评分模型中，获得该人脸的情绪和颜值评分。这里假设已经准备好了人脸识别模型、情绪评分模型、颜值评分模型以及相应的数据集。数据集准备：为了进行情绪和颜值评分识别，我们需要准备带有情绪和颜值标签的数据集。可以在网上寻找公开数据集或者自己构建数据集。
PaddleDetection:人脸检测算法细节‘BlazeFace’
qq_45684033的博客
10-09 1608
本周分析PaddleDetection特色模型人脸识别里的算法细节BlazeFace。 BlazeFace 是一个轻量且性能出色的人脸检测器，为移动 GPU 推理量身定制。它在旗舰设备上的运行速度为200-1000+ FPS。这种超实时性能使其能够应用于任何增强现实管道，该管道需要准确的面部感兴趣区域作为任务特定模型的输入，例如2D/3D 面部关键点或几何估计，人脸特征或表情分类，以及人脸区域分割。BlazeFace 的贡献包括： 一个轻量级的特征提取网络，其灵感来自于 MobileNetV1/V2；
Flutter实现基于Paddle-Lite和YOLO v3的实时物体检测
2. **Paddle-Lite**: Paddle-Lite是百度开源的深度学习推理引擎，专为移动和嵌入式设备设计，它对深度学习模型进行了优化，以减少计算资源的消耗，从而能够在性能有限的设备上运行深度学习模型。Paddle-Lite通过一套...
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