丰色 发自 凹非寺
量子位 报道 | 公众号 QbitAI

现在，目标检测界明星模型YOLO，最新v5版本也可以在手机上玩儿了！

瞧～只需要区区几十毫秒，桌上的东西就全被检测出来了：

这速度似乎不比电脑差？

想要亲手搭建一个？上教程。

在安卓手机上部署YOLOv5

更确切的说是YOLOv5s。

YOLOv5于2020年5月发布，最大的特点就是模型小，速度快，所以能很好的应用在移动端。

而且其实最开始YOLOv5就是作为一款对图像进行检测、分类和定位的iOS端APP进入人们的视野，而且APP还是由YOLOv5的作者亲自开发。

现在，想要在安卓设备上部署它，你需配备的环境如下：

• 主机 Ubuntu18.04
• Docker

Tensorflow 2.4.0
PyTorch 1.7.0
OpenVino 2021.3

• 安卓APP

Android Studio 4.2.1
minSdkVersion 28
targetSdkVersion 29
TfLite 2.4.0

• 安卓设备

小米11 (内存 128GB/ RAM 8GB)
操作系统 MUI 12.5.8

然后直接下载作者在GitHub上的项目。

git clone —recursive https://github.com/lp6m/yolov5s_android

使用Docke容器进行主机评估（host evaluation）和模型转换。

cd yolov5s_android docker build ./ -f ./docker/Dockerfile -t yolov5s_android docker run -it —gpus all -v pwd:/workspace yolov5s_anrdoid bash

将app文件夹下的./tflite\u model/*.tflite复制到app/tflite\u yolov5\u test/app/src/main/assets/目录下，就可在Android Studio上构建应用程序。

构建好的程序可以设置输入图像大小、推断精度和模型精度。

如果选择其中的“Open Directory”，检测结果会被保存为coco格式的json文件。

从摄像头进行实时检测模式已将精度和输入图像大小固定为int8/320，该模式在小米11达到的图像帧数为15FPS。

由于本项目是作者参加的一个”Yolov5s Export”竞赛（并且最终得了奖，奖金还是2000美元），所以他也进行了性能评估。

评估包括延时和准确度。

• 延迟时间

在小米11上测得，不包含预处理/后处理和数据传输的耗时。

结果如下：

不管模型精度是float32还是int8，时间都能控制在250ms以内，连半秒的时间都不到。

△ float32

△ int8

大家可以和YOLOv5在电脑上的性能对比：

• 准确度

各种模式下的mAP(mean Average Precision)值最高为28.5，最低也有25.5。

最后，详细教程可戳下方链接；如果你只想试玩，作者也在上面提供了安卓安装包～

项目地址：

https://github.com/lp6m/yolov5s_android

— 完 —

量子位 QbitAI · 头条号签约

关注我们，第一时间获知前沿科技动态