[[439245]]

本文經AI新媒體量子位（公眾號ID:QbitAI）授權轉載，轉載請聯系出處。

現在，目標檢測界明星模型YOLO，最新v5版本也可以在手機上玩兒了！

瞧～只需要區區幾十毫秒，桌上的東西就全被檢測出來了：

這速度似乎不比電腦差？

想要親手搭建一個？上教程。

在安卓手機上部署YOLOv5

更確切的說是YOLOv5s。

YOLOv5于2020年5月發布，最大的特點就是模型小，速度快，所以能很好的應用在移動端。

而且其實最開始YOLOv5就是作為一款對圖像進行檢測、分類和定位的iOS端APP進入人們的視野，而且APP還是由YOLOv5的作者親自開發。

現在，想要在安卓設備上部署它，你需配備的環境如下：

• 主機 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

• 安卓設備

小米11 (內存 128GB/ RAM 8GB)
操作系統 MUI 12.5.8

然后直接下載作者在GitHub上的項目。

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

使用Docke容器進行主機評估（host evaluation）和模型轉換。

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

將app文件夾下的./tflite\u model/*.tflite復制到app/tflite\u yolov5\u test/app/src/main/assets/目錄下，就可在Android Studio上構建應用程序。

構建好的程序可以設置輸入圖像大小、推斷精度和模型精度。

如果選擇其中的“Open Directory”，檢測結果會被保存為coco格式的json文件。

從攝像頭進行實時檢測模式已將精度和輸入圖像大小固定為int8/320，該模式在小米11達到的圖像幀數為15FPS。

由于本項目是作者參加的一個”Yolov5s Export”競賽（并且最終得了獎，獎金還是2000美元），所以他也進行了性能評估。

評估包括延時和準確度。

• 延遲時間

在小米11上測得，不包含預處理/后處理和數據傳輸的耗時。

結果如下：

不管模型精度是float32還是int8，時間都能控制在250ms以內，連半秒的時間都不到。

大家可以和YOLOv5在電腦上的性能對比：

• 準確度

各種模式下的mAP(mean Average Precision)值最高為28.5，最低也有25.5。

最后，詳細教程可戳下方鏈接；如果你只想試玩，作者也在上面提供了安卓安裝包～

項目地址：

https://github.com/lp6m/yolov5s_android