Android嵌入自己训练的yolov5模型(tfLite)交通标志-Toy模板网

这篇具有很好参考价值的文章主要介绍了Android嵌入自己训练的yolov5模型(tfLite)交通标志。希望对大家有所帮助。如果存在错误或未考虑完全的地方，请大家不吝赐教，您也可以点击"举报违法"按钮提交疑问。

第一步:下载模型与修改参数

第二步:标注数据

第三步:开始训练

第四步:yolov5转为tfLite模型

第五步:我们可以检测一下tfLite是否可用

第六步:下载官方的示例代码

第七步:修改代码

第八步:运行软件

第九步:优化速率

效果图

yolo android,YOLO,目标跟踪,人工智能,android,java,python

参考:【精选】手把手教你使用YOLOV5训练自己的目标检测模型-口罩检测-视频教程_yolov5训练模型_肆十二的博客-CSDN博客

模型下载地址:

YOLOV5-mask-42: 基于YOLOV5的口罩检测系统-提供教学视频 (gitee.com)

我采用的是将yolov5的模型,先转为tfLite的模型,再进行嵌入Android的方法

对于conda环境的创建,可以看最上面的参考,大佬已经很详细的讲解如何创建环境了

第一步:下载模型与修改参数

下载好模型后,根据我们的需求,更改以下文件 yolo android,YOLO,目标跟踪,人工智能,android,java,python

yolo android,YOLO,目标跟踪,人工智能,android,java,python

train和val都为数据集图片的路径,数据集可以不用在项目里面,但是路径的格式最好为

yolo android,YOLO,目标跟踪,人工智能,android,java,python

改为我们自己的路径之后,将此处(nc)改为自己目标对象的格式,(names)且目标的命名

yolo android,YOLO,目标跟踪,人工智能,android,java,python

此处注意目标的排序很重要,必须记好

第二步:标注数据

在命令行中输入

pip install labelImg

yolo android,YOLO,目标跟踪,人工智能,android,java,python

安装好后,再输入

labelImg

启动labelImg

yolo android,YOLO,目标跟踪,人工智能,android,java,python

数据图片的位置就是

yolo android,YOLO,目标跟踪,人工智能,android,java,python

这里注意,在标注文件里面,会随着我们第一个标注的目标,自动生成class文件

yolo android,YOLO,目标跟踪,人工智能,android,java,python

随着我们的标注,也会出现对应的txt文件

yolo android,YOLO,目标跟踪,人工智能,android,java,python

而每一个txt都包含着这个图片的类别,和目标位置

而这个顺序正是我们在修改mask_data的时候,手动书写的目标顺序,这两个地方必须对应起来

yolo android,YOLO,目标跟踪,人工智能,android,java,python

在标注图片的时候,我们会发现,每次重新打开标注应用的时候,它不会识别我们自己的class文件,而是会重新帮我们创建,而顺序就是我们重新打开应用之后,标注的顺序,这样子会导致class文件内容被顶替,导致标注数据出现混乱,有时候会因为这个原因闪退,所以我们可以在labels文件夹中,提前创建好class文件,并且按照我们自定义的顺序去排列

yolo android,YOLO,目标跟踪,人工智能,android,java,python

然后在启动labelImg 的时候

输入

 Labelimg class_file E:\StudyData\python\TrafficData\labels\text\classes.txt

这样子标注应用就会识别到你的class文件了

当我们标注好所有数据后,每张图片都会在labels对应着一个标注文件

等我们标注好我们自己的数据集后,就可以开始训练了

第三步:开始训练

yolo android,YOLO,目标跟踪,人工智能,android,java,python

找到train这个文件,找到这个位置的信息,这里示范的是yolov5m的预训练模型

这里的--data 注意别跟我一样写成mask_data2.yaml ,默认是mask_data.yaml

yolo android,YOLO,目标跟踪,人工智能,android,java,python

如果在GPU中跑,这里改为0

修改完这些东西后,就可以在命令行中输入

python train.py  --epoch 100 --batch-size 8

然后等待模型跑完 yolo android,YOLO,目标跟踪,人工智能,android,java,python 由于如何跑模型,其他博主都已经出过相关的教程,这里简单的实现一下,具体详细细节可以参考别人的,这里主要分享一下我是如何转为tfLite成功实现yolov5模型的转换的

第四步:yolov5转为tfLite模型

当我们模型跑完后

yolo android,YOLO,目标跟踪,人工智能,android,java,python

可以看到在runs/train/exp*/weights/best.pt.这个文件,就是我们跑出来的结果;

可以在大佬写的window.py里面测试一下

yolo android,YOLO,目标跟踪,人工智能,android,java,python

然后直接运行

yolo android,YOLO,目标跟踪,人工智能,android,java,python

传入我们自己的数据

yolo android,YOLO,目标跟踪,人工智能,android,java,python

可以看到,模型已经成功跑出来了

接下来就是开始转换了

打开export.py

yolo android,YOLO,目标跟踪,人工智能,android,java,python

修改完成后,直接运行export

等待一会他的自动转换

转换成功了

yolo android,YOLO,目标跟踪,人工智能,android,java,python

可以看到已经生成了一个tfLite文件在我们的项目里面

yolo android,YOLO,目标跟踪,人工智能,android,java,python

第五步:我们可以检测一下tfLite是否可用

获取tflite模型的output数据细节

在命令行中输入python

yolo android,YOLO,目标跟踪,人工智能,android,java,python

这里可以看到,模型成功输入信息

 python

>>> import tensorflow as tf
>>> yolov5s = "runs/train/exp17/weights/best-fp16.tflite" 
>>> interpreter = tf.lite.Interpreter(model_path = yolov5s) 
>>> yolov5s = "runs/train/exp17/weights/best-fp16.tflite"
>>> interpreter = tf.lite.Interpreter(model_path = yolov5s)
>>> print(interpreter.get_output_details())

对应的还有以下命令

yolo android,YOLO,目标跟踪,人工智能,android,java,python