跌倒检测和识别3：Android实现跌倒检测(含源码，可实时跌倒检测)
目录
跌倒检测和识别3：Android实现跌倒检测(含源码，可实时跌倒检测)
1. 前言
2. 跌倒检测数据集说明
3. 基于YOLOv5的跌倒检测模型训练
4.跌倒检测模型Android部署
（1） 将Pytorch模型转换ONNX模型
（2） 将ONNX模型转换为TNN模型
（3） Android端上部署模型
（4） 一些异常错误解决方法
5. Android跌倒检测效果
6.项目源码下载
1. 前言
这是项目《跌倒检测和识别》系列之《Android实现跌倒检测(含源码，可实时跌倒检测)》；本篇主要分享将Python训练后的YOLOv5的跌倒检测模型移植到Android平台。我们将开发一个简易的、可实时运行的跌倒检测Android Demo，可实现检测人体的up(站立)，bending(弯腰,蹲下)和down(躺下，摔倒)三种状态。
考虑到原始YOLOv5的模型计算量比较大，鄙人在YOLOv5s基础上，开发了一个非常轻量级的的跌倒（摔倒）检测模型yolov5s05_320。从效果来看，Android跌倒（摔倒）检测模型的检测效果还是可以的，高精度版本YOLOv5s平均精度平均值mAP_0.5:0.95=0.73693，而轻量化版本yolov5s05_416平均精度平均值mAP_0.5:0.95=0.50567左右。APP在普通Android手机上可以达到实时的检测识别效果，CPU(4线程)约30ms左右，GPU约25ms左右 ，基本满足业务的性能需求。
先展示一下Android Demo跌倒检测和识别的效果：
【Android APP体验】https://download.csdn.net/download/guyuealian/87707747
【尊重原创，转载请注明出处】https://blog.csdn.net/guyuealian/article/details/130250824
更多项目《跌倒检测和识别》系列文章请参考：
- 跌倒检测和识别1：跌倒检测数据集(含下载链接):https://blog.csdn.net/guyuealian/article/details/130184256
- 跌倒检测和识别2：YOLOv5实现跌倒检测(含跌倒检测数据集和训练代码)：https://blog.csdn.net/guyuealian/article/details/130250738
-
跌倒检测和识别3：Android实现跌倒检测(含源码，可实时跌倒检测)：https://blog.csdn.net/guyuealian/article/details/130250824
-
跌倒检测和识别4：C++实现跌倒检测(含源码，可实时跌倒检测)：https://blog.csdn.net/guyuealian/article/details/130250838
2. 跌倒检测数据集说明
目前收集了约4000的跌倒检测数据集和26000+跌倒分类数据集，关于跌倒检测数据集说明，请参考：跌倒检测和识别1：跌倒检测数据集(含下载链接)
3. 基于YOLOv5的跌倒检测模型训练
官方YOLOv5给出了YOLOv5l,YOLOv5m,YOLOv5s等模型。考虑到手机端CPU/GPU性能比较弱鸡，直接部署yolov5s运行速度十分慢。所以本人在yolov5s基础上进行模型轻量化处理，即将yolov5s的模型的channels通道数全部都减少一半，并且模型输入由原来的640×640降低到416×416或者320×320，该轻量化的模型我称之为yolov5s05。轻量化后的模型yolov5s05比yolov5s计算量减少了16倍，参数量减少了7倍。
下面是yolov5s05和yolov5s的参数量和计算量对比：
| 模型 | input-size | params(M) | GFLOPs |
| yolov5s | 640×640 | 7.2 | 16.5 |
| yolov5s05 | 416×416 | 1.7 | 1.8 |
| yolov5s05 | 320×320 | 1.7 | 1.1 |
yolov5s05和yolov5s训练过程完全一直，仅仅是配置文件不一样而已；碍于篇幅，本篇博客不在赘述，详细训练过程请参考： 《跌倒检测和识别2：YOLOv5实现跌倒检测(含跌倒检测数据集和训练代码)》 ：https://blog.csdn.net/guyuealian/article/details/130250738
4.跌倒检测模型Android部署
（1） 将Pytorch模型转换ONNX模型
训练好yolov5s05或者yolov5s模型后，你需要将模型转换为ONNX模型，并使用onnx-simplifier简化网络结构
# 转换yolov5s05模型
python export.py --weights "data/model/yolov5s05_320/weights/best.pt" --img-size 320 320
# 转换yolov5s模型
python export.py --weights "data/model/yolov5s_640/weights/best.pt" --img-size 640 640GitHub： https://github.com/daquexian/onnx-simplifier
Install: pip3 install onnx-simplifier
（2） 将ONNX模型转换为TNN模型
目前CNN模型有多种部署方式，可以采用TNN，MNN,NCNN，以及TensorRT等部署工具，鄙人采用TNN进行Android端上部署：
TNN转换工具：
- （1）将ONNX模型转换为TNN模型，请参考TNN官方说明：TNN/onnx2tnn.md at master · Tencent/TNN · GitHub
- （2）一键转换，懒人必备：一键转换 Caffe, ONNX, TensorFlow 到 NCNN, MNN, Tengine (可能存在版本问题，这个工具转换的TNN模型可能不兼容，建议还是自己build源码进行转换，2022年9约25日测试可用)
（3） Android端上部署模型
项目实现了Android版本的跌倒（摔倒）检测Demo，部署框架采用TNN，支持多线程CPU和GPU加速推理，在普通手机上可以实时处理。Android源码核心算法YOLOv5部分均采用C++实现，上层通过JNI接口调用
package com.cv.tnn.model;
import android.graphics.Bitmap;
public class Detector {
static {
System.loadLibrary("tnn_wrapper");
}
/***
* 初始化模型
* @param model： TNN *.tnnmodel文件文件名（含后缀名）
* @param root：模型文件的根目录，放在assets文件夹下
* @param model_type：模型类型
* @param num_thread：开启线程数
* @param useGPU：关键点的置信度，小于值的坐标会置-1
*/
public static native void init(String model, String root, int model_type, int num_thread, boolean useGPU);
/***
* 检测
* @param bitmap 图像（bitmap），ARGB_8888格式
* @param score_thresh：置信度阈值
* @param iou_thresh： IOU阈值
* @return
*/
public static native FrameInfo[] detect(Bitmap bitmap, float score_thresh, float iou_thresh);
}
如果你想在这个Android Demo部署你自己训练的YOLOv5模型，你可将训练好的Pytorch模型转换ONNX ，再转换成TNN模型，然后把TNN模型代替你模型即可。
（4） 一些异常错误解决方法
-
TNN推理时出现：Permute param got wrong size
官方YOLOv5: GitHub - ultralytics/yolov5: YOLOv5 🚀 in PyTorch > ONNX > CoreML > TFLite
如果你是直接使用官方YOLOv5代码转换TNN模型，部署TNN时会出现这个错误Permute param got wrong size，这是因为TNN最多支持4个维度计算，而YOLOv5在输出时采用了5个维度。你需要修改model/yolo.py文件
export.py文件设置model.model[-1].export = True：
.....
# Exports
if 'torchscript' in include:
export_torchscript(model, img, file, optimize)
if 'onnx' in include:
model.model[-1].export = True # TNN不支持5个维度,修改输出格式
export_onnx(model, img, file, opset, train, dynamic, simplify=simplify)
if 'coreml' in include:
export_coreml(model, img, file)
# Finish
print(f'\nExport complete ({time.time() - t:.2f}s)'
f"\nResults saved to {colorstr('bold', file.parent.resolve())}"
f'\nVisualize with https://netron.app')
.....
- TNN推理时效果很差，检测框一团麻
这个问题，大部分是模型参数设置错误，需要根据自己的模型，修改C++推理代码YOLOv5Param模型参数。
struct YOLOv5Param {
ModelType model_type; // 模型类型，MODEL_TYPE_TNN，MODEL_TYPE_NCNN等
int input_width; // 模型输入宽度，单位：像素
int input_height; // 模型输入高度，单位：像素
bool use_rgb; // 是否使用RGB作为模型输入（PS：接口固定输入BGR，use_rgb=ture时，预处理将BGR转换为RGB）
bool padding;
int num_landmarks; // 关键点个数
NetNodes InputNodes; // 输入节点名称
NetNodes OutputNodes; // 输出节点名称
vector<YOLOAnchor> anchors;
vector<string> class_names; // 类别集合
};
input_width和input_height是模型的输入大小；vector<YOLOAnchor> anchors需要对应上，注意Python版本的yolov5s的原始anchor是
anchors:
- [ 10,13, 16,30, 33,23 ] # P3/8
- [ 30,61, 62,45, 59,119 ] # P4/16
- [ 116,90, 156,198, 373,326 ] # P5/32而yolov5s05由于input size由原来640变成320，anchor也需要做对应调整：
anchors:
- [ 5, 6, 8, 15, 16, 12 ] # P3/8
- [ 15, 30, 31, 22, 30, 60 ] # P4/16
- [ 58, 45, 78, 99, 186, 163 ] # P5/32因此C++版本的yolov5s和yolov5s05的模型参数YOLOv5Param如下设置
//YOLOv5s模型参数
static YOLOv5Param YOLOv5s_640 = {MODEL_TYPE_TNN,
640,
640,
true,
true,
0,
{{{"images", nullptr}}}, //InputNodes
{{{"boxes", nullptr}, //OutputNodes
{"scores", nullptr}}},
{
{"434", 32, {{116, 90}, {156, 198}, {373, 326}}},
{"415", 16, {{30, 61}, {62, 45}, {59, 119}}},
{"output", 8, {{10, 13}, {16, 30}, {33, 23}}},
},
CLASS_NAME
};
//YOLOv5s05模型参数
static YOLOv5Param YOLOv5s05_ANCHOR_416 = {MODEL_TYPE_TNN,
416,
416,
true,
true,
0,
{{{"images", nullptr}}}, //InputNodes
{{{"boxes", nullptr}, //OutputNodes
{"scores", nullptr}}},
{
{"434", 32,{{75, 58}, {101, 129}, {242, 212}}},
{"415", 16, {{20, 40}, {40, 29}, {38, 77}}},
{"output", 8, {{6, 8}, {10, 20}, {21, 15}}}, //
},
CLASS_NAME
};
//YOLOv5s05模型参数
static YOLOv5Param YOLOv5s05_ANCHOR_320 = {MODEL_TYPE_TNN,
320,
320,
true,
true,
0,
{{{"images", nullptr}}}, //InputNodes
{{{"boxes", nullptr}, //OutputNodes
{"scores", nullptr}}},
{
{"434", 32, {{58, 45}, {78, 99}, {186, 163}}},
{"415", 16, {{15, 30}, {31, 22}, {30, 60}}},
{"output", 8, {{5, 6}, {8, 15}, {16, 12}}}, //
},
CLASS_NAME
};- 运行APP闪退：dlopen failed: library "libomp.so" not found
参考解决方法：解决dlopen failed: library “libomp.so“ not found_PKing666666的博客-CSDN博客_dlopen failed
5. Android跌倒检测效果
【Android APP体验】https://download.csdn.net/download/guyuealian/87441942
APP在普通Android手机上可以达到实时的跌倒（摔倒）检测效果，CPU(4线程)约30ms左右，GPU约25ms左右 ，基本满足业务的性能需求。
6.项目源码下载
【Android APP体验】：https://download.csdn.net/download/guyuealian/87707747
【项目源码下载】 跌倒检测和识别3：Android实现跌倒检测(含源码，可实时跌倒检测)文章来源：https://www.toymoban.com/news/detail-430138.html
整套Android项目源码内容包含：文章来源地址https://www.toymoban.com/news/detail-430138.html
- 提供快速版yolov5s05_416和yolov5s05_320跌倒（摔倒）检测模型，在普通手机可实时检测识别，CPU(4线程)约30ms左右，GPU约25ms左右
- 提供高精度版本yolov5s跌倒（摔倒）检测模型，CPU(4线程)约250ms左右，GPU约100ms左右
- Demo支持图片，视频，摄像头测试
- 所有依赖库都已经配置好，可直接build运行，若运行出现闪退，请参考dlopen failed: library “libomp.so“ not found 解决。
到了这里，关于跌倒检测和识别3：Android实现跌倒检测(含源码，可实时跌倒检测)的文章就介绍完了。如果您还想了解更多内容，请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章，希望大家以后多多支持TOY模板网！
