yolov5模型在安卓android平台上部署（一）demo运行

已于 2022-11-09 00:45:07 修改
阅读量2.8k 收藏 31
点赞数 2
分类专栏： # yolov5 文章标签： android android studio ide
于 2022-11-04 00:31:04 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 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/weixin_50862344/article/details/127625932
版权

一、下载 & 配置

1.1 下载源文件

下载该版本是因为自带vulkan加速

接着Appearance & Behavior----->System Settings---->Android SDK
(1)SDK Tools
请添加图片描述
(2)SDK Platforms
我个人选择的是Android 11.0

进入到license Agreement直接accept
【参考文档】Android studio安装

1.2 配置AS

Step1：解压并移动文件

解压文件夹之后，打开ncnn-xxxxx-android-vulkan-shared全选复制到ncnn-android-yolov5-master\app\src\main\jni

Step2：打开文件 并 开始构建

在 Android studio选择ncnn-android-yolov5-master\build.gradle打开该项目

报错1：cmake版本问题
CMake '3.10.2' was not found in PATH or by cmake.dir property.
- CMake '3.22.1' found in SDK did not match requested version '3.10.2'.
- CMake '3.24.1' found in PATH did not match requested version '3.10.2'.

解决办法：下载对应版本
请添加图片描述

报错2：文件路径问题
By not providing "Findncnn.cmake" in CMAKE_MODULE_PATH this project has
asked CMake to find a package configuration file provided by "ncnn", but
CMake did not find one.

修改cmake中的路径
请添加图片描述

报错3：应该是版本问题

在这里插入图片描述

解决方法：
1.访问 https://services.gradle.org/distributions/，并查看最新版的gradle。
2.修改项目中”gradle/wrapper/gradle-wrapper.properties”里下面属性值

（这篇博客是11.1写的，时间比较靠近的话可以直接抄作业）
在这里插入图片描述

同时build.gradle中classpath和gradle文件夹下gradle-wrapper.properties文件里的distributionUrl配置需要匹配
在这里插入图片描述

各个 Android Gradle 插件版本所需的 Gradle 版本
在这里插入图片描述

最后模型就构建好了
在这里插入图片描述

Step3：连接安卓手机

以oppo findx2为例

  1. 在设置中搜索版本号，多次点击进入开发者模式
  2. 系统设置—>开发者选项
    开发者选项 和 USB调试 都打开
  3. 手机连接上后会弹出 密钥之类的东西 全部确认。
  4. 选择传输文件/Android Auto
    请添加图片描述

最终在Android studio右上角就会出现手机的型号
在这里插入图片描述

报错：INSTALL_FAILED_TEST_ONLY
Caused by: org.gradle.api.internal.provider.AbstractProperty$PropertyQueryException: Failed to calculate the value of task ':app:compileDebugJavaWithJavac' property 'options.generatedSourceOutputDirectory'.

【参考方案】编译安装App报错INSTALL_FAILED_TEST_ONLY终极解决方案
我的源文件是没有gradle.properties的，直接创建之后拖到文件夹下就可以了

android.useAndroidX=true
android.enableJetifier=true
android.injected.testOnly=false

包含着这三行就可以正常下载了，结果如下图
请添加图片描述

可能是手机原因。cpu居然比gpu快
请添加图片描述

二. 使用自己的权重

2.0 环境

我的环境是
在这里插入图片描述
可以直接

pip install 名称== 版本号

2.1 导出onnx模型

在yolov5文件夹中

python export.py --weights 权重路径 --include onnx

简化onnx文件

 python -m onnxsim 上一步导出的onnx文件路径 yolov5s-sim.onnx

2.2 将权重文件转化为bin文件和paras文件

建议直接参考该文档，我就不重复造轮子了

cmake -G"NMake Makefiles" -DCMAKE_BUILD_TYPE=Release -DCMAKE_INSTALL_PREFIX=%cd%/install -DProtobuf_INCLUDE_DIR=G:\model_compression_quantization\protobuf-3.4.0\build_vs2019\install\include -DProtobuf_LIBRARIES=G:\model_compression_quantization\protobuf-3.4.0\build_vs2019\install\lib\libprotobuf.lib -DProtobuf_PROTOC_EXECUTABLE=G:\model_compression_quantization\protobuf-3.4.0\build_vs2019\install\bin\protoc.exe -DNCNN_VULKAN=OFF ..

【参考文档】ONNX2NCNN
路径上一定不要有中文不然会出错

2.3 AS

三.其他操作

3.1连接手机摄像头：

python detect.py --source http://admin:admin@10.xxx.xxx.xxx:xxxx

【参考文件】yolov5通过ncnn在安卓平台部署

【参考文件】Windows环境下yolov5移植到Android手机上的详细步骤

华农度假村村长
关注
  • 2
    点赞
  • 踩
  • 31
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
专栏目录
从零开始部署yolov8到安卓手机详细教程【Android Studio】
辰海的博客
10-05 2602
手机打开->开发者模式，开启USB调试权限，手机和电脑用USB连接，允许调试。PS：yolov8ncnn不同于yolov5ncnn，可以实时视频检测。然后调整文件路径，改下代码，关于这块，后续有时间的话，我会另出教程~可以转换成param和bin文件，放到assets文件夹下，如下。如果看到这句话，并且觉得有用的话，不妨点个。自行配置AS环境（网上很多相关教程，如果没弄好，欢迎提问交流）为上面步骤四下载的文件名称（文件名要和下载的对应），CMakeLists.txt文件如下。
onnx部署最新版yolov5v6.1模型demo
07-06
onnx部署最新版yolov5v6.1模型demo torch 1.8.1 torchvision 0.9.1 onnx 1.12.0 onnx-simplifier 0.3.10 onnxoptimizer 0.2.7 onnxruntime 1.11.1
安卓开发：解决Caused by: org.gradle.api.internal.provider.AbstractProperty$PropertyQueryException: Failed t
热门推荐
weixin_42257154的博客
08-22 1万+
Gradle版本过高报错 修改build.grdle 版本 对应一下之前建项目的版本。
Yolov8目标检测——在Android上部署Yolov8 tflite模型
最新发布
知来者逆的博客
05-10 2875
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。
通过Android Studio 将yolov5部署到手机端(2023新手最新适用版)
qq_60943902的博客
08-23 6912
继续修改文件，打开ncnn-android-yolov5-master\gradle\wrapper,将红色方框处更换为7.4 ，(也可以用android studio打开该文件)继续修改文件，打开ncnn-android-yolov5-master/build.gradle,将红色方框处更换为7.3.0 (也可以用android studio打开该文件)将电脑连接数据线并插入手机，手机打开开发者模式（不同的手机位置可能不一样），打开usb调试，usb安装。这个是我安装后的路径，将这个路径复制。
Failed to calculate the value of task ‘:xxx DebugJavaWithJavac‘ property ‘options.generatedSourceOut
nicolelili1的专栏
07-15 3721
Failed to calculate the value of task ':xxx DebugJavaWithJavac' property 'options.generatedSourceOut
学习笔记—使用NCNN将yolov5部署到android
weixin_45178274的博客
03-17 1351
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，我们需要的是256和512的输出维度，将对应节点的输出名更改，如下图。出现这个问题的原因是，使用的新版本的ndk中不包含这个文件，需要将老版本，例如R21版本toolchains文件夹中对应文件拷贝到当前应用的ndk版本对应文件夹中，或者在local.properties文件中指定ndk路径。重新同步，成功后，将app安装到手机上。
基于RKNN的YOLOv5安卓Demo
hanshiying007的博客
04-08 626
基于RKNPU2 SDK 1.6.0版的安卓YOLOv5演示应用程序，选择图片进行对象检测并显示识别结果。
yolov8模型集成到android端demo
01-22
见作者的相关博客，支持选图识别。
openvino2022部署最新版yolov5v6.1模型demo
07-06
openvino2022部署最新版yolov5v6.1模型demo openvino 2022.1.0 openvino-dev 2022.1.0 openvino-telemetry 2022.1.1 torch 1.8.1 torchvision 0.9.1
yolov5模型网页部署
04-11
源代码：yolov5模型部署到web端，文档齐全，包含如何安装环境，如何运行项目，如何使用。 适合人群：学生、具备一定编程基础，工作1-3年的研发人员、想入门人工智能的爱好者、科研人员 能学到什么：可以快速出效果。...
YOLOV3-on-Android:构建一个可直接在手机上部署YOLO V3源代码的Android应用-Android app source code
03-24
一。介绍 本项目将Yolo-v3的源代码在Android Studio进行开发编译和部署到Android手机上，实现利用手机硬件平台完成对Yolo-v3网络的调用。项目以Yolo-v3-tiny为示例进行开发，其他相关网络可以通过Darknet网站下载权重文件进行复现。 二。开发环境 操作系统：Ubuntu 16.04 Android Studio：3.1.3 手机：小米MI 8 相关教程： 请自行查阅指南完成Android Studio安装以及NDK，SDK等相关开发环境的配置。 三，项目建成 3.1原始代码导入 在Andorid Studio构建一个支持C语言的项目，然后从下载源代码。 在项目工程的cpp文件夹下新建的深色网络文件夹，将下载的源码中的示例，包括src三个文件夹复制到Android工程中。 3.2原始修改 3.2.1包括文件夹 包括文件夹下放置的是darknet的头
YOLOv5_NCNN:NC在手机上部署NCNN。支持Android和iOS。移动端NCNN部署，支持Android与iOS
03-18
:rocket:如果有帮助，请单击星号！ :star: Ncnn在移动设备上的部署，支持：相机上的YOLOv5s，YOLOv4-tiny，MobileNetV2-YOLOv3-nano，简单姿势，Yolact，ChineseOCR-lite，ENet，Landmark106，DBFace，MBNv2-FCN和MBNv3-Seg-small。 iOS： Xcode 11.5 macOS 10.15.4 iPhone 6sp 13.5.1 安卓： Android Studio 4.0 Win10 1909年 魅族16x 8.1.0（CPU：高通710 GPU：Adreno 616） Android已添加了权限请求，但如果仍然崩溃，请手动确认是否允许相关权限。 的iOS Select the model to be tested directly on the interface. 安卓 Selec
目标检测模型YOLOv5 ，android Demo
04-24
目标检测模型YOLOv5 ，android Demo
Rk3588平台安卓系统使用RKNN推理yolov5网络
11-09
支持的平台 - RK3566/RK3568 - RK3588/RK3588S - RV1103/RV1106
yolov5-onnx-tensorrt:如何使用 TensorRT 运行 yolov5 模型
05-29
将 pytorch 转换为 onnx 和 tensorrt yolov5 模型以在 Jetson AGX Xavier 上运行。 支持推断图像。 支持同时推断多幅图像。 要求 请使用torch>=1.6.0 + onnx==1.8.0 + TensorRT 7.0.0.11 运行代码 代码结构 ...
关于Android Studio编译时提示Execution failed for task ‘:xxx:compileDebugJavaWithJavac‘
居然是阿松的博客
04-20 4102
在项目首次导入编译时，总是会出现一些比较难排除的问题，特别是在提示中无法直接找到原因： * Exception is: org.gradle.api.tasks.TaskExecutionException: Execution failed for task ':bc_iothub:compileDebugJavaWithJavac'. at org.gradle.api.internal.tasks.properties.DefaultTaskProperties.resolve(DefaultTas
解决org.gradle.api.internal.artifacts.ivyservice.DefaultLenientConfiguration$ArtifactResolveException
qq_63137016的博客
06-13 559
2、在settings->gradle->gradle user home设置为你的.gradle文件地址。3、然后下面的user gradle from 设置为自己第一步查看的版本号的对应的all.zip。参考了一篇文章，但是文章本身没有网址，粘不过来，我不知道怎么回事。1、查看自己的gradle版本号。存放所有gradle版本的地址。
yolov5 安卓
zhaoluruoyan89的博客
03-14 314
首先用aa打开yolov5_android_tflite的build.gradle，如下所示，注意这个过程aa会根据项目需要自己下载相关的依赖项。带相关依赖项下载完成后，就点击build下面的Generate Signed Bundle/Apk。下载完成之后直接运行下面的命令，可以将模型转换成tflite。编译完成如下所示： 然后移植apk文件到安卓手机就可以了。选择SDK Tools 28.0.3 版本下载就可以了。3，注意在打包生成apk的过程中需要先生成证书。安装Android 9.0就可以了。
我想把训练好的yolov5模型部署到qt上
05-18
将训练好的 YOLOv5 模型部署到 Qt 上，可以分为两个步骤： 1. 将 YOLOv5 模型转换成 Qt 支持的格式。Qt 支持的模型格式包括 TensorFlow Lite、ONNX 和 Caffe。如果你的模型是 PyTorch 的，可以先将其转换为 ONNX 格式，再使用 ONNX 转换器将其转换为 Qt 支持的格式。 2. 在 Qt 中加载模型并进行推理。Qt 提供了一个名为 QML 的框架，可以在其中加载模型并进行推理。使用 QML，你可以轻松地将模型集成到 Qt 应用程序中，并将其与其他 Qt 控件（如按钮、文本框等）一起使用。 以下是一个简单的示例代码，演示了如何在 Qt 中加载 YOLOv5 模型并进行推理： ```qml import QtQuick 2.15 import QtQuick.Controls 2.15 import QtQuick.Layouts 1.12 import QtQuick.Window 2.15 import QtQuick.Dialogs 1.3 import QtQuick.Controls.Material 2.15 import Qt.labs.platform 1.0 import TensorFlowLite 1.0 Page { id: page title: "YOLOv5 Demo" ColumnLayout { id: layout Text { text: "选择要识别的图像:" } FileDialog { id: fileDialog title: "选择图像" nameFilters: ["Images (*.png *.jpg *.bmp)"] selectMultiple: false onAccepted: { image.source = fileUrl.toString() predict(fileUrl.toString()) } } Image { id: image width: 512 height: 512 fillMode: Image.PreserveAspectFit source: "" MouseArea { anchors.fill: parent onClicked: { fileDialog.open() } } } Text { id: prediction text: "" } } TensorFlowLiteModel { id: model modelFilePath: "yolov5.tflite" } function predict(imagePath) { var inputTensor = model.inputTensor(0) var outputTensor = model.outputTensor(0) // Load image into a tensor var imageData = loadImage(imagePath) inputTensor.data = imageData // Run inference model.invoke() // Parse output var predictions = parseOutput(outputTensor) // Display predictions var predictionText = "Predictions:" for (var i = 0; i < predictions.length; ++i) { predictionText += "\n" + predictions[i].class + ": " + predictions[i].confidence } prediction.text = predictionText } function loadImage(imagePath) { // Load image into a tensor var image = Qt.labs.platform.resourceUrl(imagePath).toLocalFile() var imageObject = new Image() imageObject.source = image var canvas = document.createElement("canvas") canvas.width = imageObject.width canvas.height = imageObject.height var ctx = canvas.getContext("2d") ctx.drawImage(imageObject, 0, 0) var imageData = ctx.getImageData(0, 0, imageObject.width, imageObject.height) var imageTensor = new Float32Array(imageData.data.length) for (var i = 0; i < imageData.data.length; i += 4) { imageTensor[i + 0] = imageData.data[i + 0] / 255 imageTensor[i + 1] = imageData.data[i + 1] / 255 imageTensor[i + 2] = imageData.data[i + 2] / 255 } return imageTensor } function parseOutput(outputTensor) { // Parse output tensor var output = outputTensor.data() var numPredictions = output[0] var predictions = [] for (var i = 0; i < numPredictions; ++i) { var classIndex = output[i * 6 + 1] var confidence = output[i * 6 + 2] var x = output[i * 6 + 3] var y = output[i * 6 + 4] var w = output[i * 6 + 5] var h = output[i * 6 + 6] predictions.push({class: classIndex, confidence: confidence, x: x, y: y, w: w, h: h}) } return predictions } } ``` 上述代码中，我们使用 TensorFlowLiteModel 组件加载并运行 YOLOv5 模型。在 predict 函数中，我们将图像加载到输入张量中，并在模型中运行推理。然后，我们解析输出张量，并将预测结果显示在 UI 中。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 1
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
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