Tensor on Android学习笔记(三) ----将Yolo移植到android平台

最新推荐文章于 2026-06-19 15:25:53 发布
原创 最新推荐文章于 2026-06-19 15:25:53 发布 · 3.5k 阅读 · 4
标签
#YOLO #目标检测 #深度学习 #Android #Android
本文记录了博主将YOLOv3目标检测模型移植到Android平台的过程，参考了@chentyjpm的DarknetDemoInAndroid项目。尽管遇到一些挑战，如编译后的性能及V3版本接口的适配问题，导致应用在显示识别结果时崩溃。目前的任务包括理解darknet源码运行流程和优化Android设备上的YOLO运行效率。

yolo v2移植到android已经有很多案例了

这里博主学习了@chentyjpm 的DarknetDemoInAndroid 

项目地址在https://github.com/chentyjpm/DarknetDemoInAndroid

不过原博主提供的apk是经过优化的，我自己编译的还达不到原博主的效果，还需要再改善


然后我们要做的就是将v3版本移植够来

通过对比darknet中提供的python脚本，我们发现作者改变了其中几个接口，并将boxes props等属性封装进了detection


所以修改代码中darknet.cpp

        //get_network_boxes(l, im.w, im.h, net->w, net->h, thresh, probs,
最低0.47元/天 解锁文章
Darknet yolo 在 android studio上的移植和实现
六月的羽_七月未央
02-14 1万+
  假期无事 跑了一下darknetyolo 看起来效果不错 经过一系列不懈优化 终于跑到1秒内了 主要步骤 安装NDK版本的android studio 其实现在 android studio已经非常完善了 NDK也不需要什么特别的设置 直接用即可 创建一个NDK过程 这里自己搞定吧 下一步的事情 添加darknet对应文件 添加Cmake路径和配置 我这边参考 Mak...
YOLOX目标检测实战：Android手机部署
09-06
YOLOX是旷视科技新近推出的高性能实时目标检测网络，性能超越了YOLOv3/YOLOv4 /YOLOv5。  本课程在Windowsa上详细演示YOLOX（YOLOX-nano和YOLOX-tiny）在Android（安卓）手机进行部署过程。内容包括：安装软件和PyTorch，克隆和安装YOLOX，导出ONNX模型，导出NCNN模型文件，安装Android Studio，准备android项目文件，手机连接电脑并编译软件，项目代码解析。相关课程：《YOLOX目标检测实战：训练自己的数据集》https://edu.csdn.net/course/detail/35586《YOLOX目标检测实战：TensorRT加速部署》https://edu.csdn.net/course/detail/35716《YOLOX目标检测实战：OpenVINO部署》https://edu.csdn.net/course/detail/35791 《YOLOX目标检测实战：Flask部署》https://edu.csdn.net/course/detail/35815
YOLOv12在Android移动端的实时目标检测应用部署指南
weixin_29323977的博客
04-09 411
本文介绍了如何在星图GPU平台上自动化部署👁️ YOLOv12目标检测镜像，实现移动端实时目标检测。该平台简化了部署流程，用户可快速构建应用。该镜像的核心应用场景是智能安防，例如通过手机摄像头实时识别人、车等目标，为开发巡检工具、互动应用提供基础。
Windows环境下yolov5移植到Android手机上的详细步骤
qq_28664681的博客
01-15 1万+
记录一下我将训练好的YOLOv5模型移植到Android手机上的详细步骤，真的是踩坑无数加秃头的一个过程，步骤如下： 需要的环境： pycharm/vscode，AndroidStudio，Visual studio2017 文章目录一.将训练好的.pt模型转换成.onnx二. onnx -> ncnn1.需要安装的依赖库2.安装cmake很重要，这个很简单啦，自己搜教程吧3.编译protobuf-3.4.04.下载OpenCV并安装5.编译ncnn6.修改上一步生成的 .param三、Android
yolov5模型在安卓android平台上部署（一）demo运行
weixin_50862344的博客
11-04 3458
yolov5模型在安卓平台上部署（1）demo运行
yolov5 安卓
zhaoluruoyan89的博客
03-14 503
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。
RK3588芯片NPU的使用：yolov8-pose例子图片检测在安卓系统部署与源码深度解析（rknn api）
懒人的技术笔记
04-25 2452
该方法对检测模型的输出进行后处理，包括 检测框解码、置信度过滤、非极大值抑制（NMS）以及关键点坐标映射，最终输出人体检测框和对应的关键点信息，封装在object_detect_result_list中。SDK支持的查询命令很多，具体参考官方文档：04_Rockchip_RKNPU_API_Reference_RKNNRT_V2.3.0_CN.pdf。：用于 RKNN_QUERY_IN_OUT_NUM 命令的返回结果，存储模型的输入/输出张量数量。没什么好说的，输入设置完毕后，执行模型推理。
深度学习模型部署实战：ONNX导出核心原理与跨平台部署指南
最新发布
weixin_31897613的博客
06-19 290
在深度学习工程化实践中，模型部署是连接算法研发与实际应用的关键环节。其核心原理在于将训练好的模型转换为一种中间表示格式，以实现跨不同硬件和软件平台的统一执行。这一过程的技术价值在于解决了框架异构性带来的兼容性问题，为模型提供了可移植性和性能优化的基础。通过标准化的计算图表示，模型能够在多种推理引擎上高效运行，从而广泛应用于移动端、边缘计算和云端服务器等场景。本文聚焦于ONNX（Open Neural Network Exchange）这一业界标准，深入探讨模型导出为ONNX格式的完整工作流，涵盖动态轴设置、
FastBEV部署实战：LUT优化与TensorRT引擎编译全链路解析
weixin_30903865的博客
06-19 288
BEV（鸟瞰图）感知是自动驾驶视觉感知的核心范式，其性能瓶颈常集中在图像到BEV空间的坐标变换与插值计算。FastBEV并非新模型架构，而是面向工程落地的BEV特征生成加速方案，核心依托CUDA kernel定制、TensorRT图优化及查表法（LUT）替代高开销浮点运算。该技术显著降低BEVFormer等主流方法的推理延迟，支撑车载域控实时性要求。在INT8量化、跨平台部署与安卓端迁移等典型场景中，LUT不仅提升计算效率，更协同PTQ校准与着色器卸载实现精度-速度平衡。本文深入FastBEV的ONNX导出
Darknet yolo 在 android studio上的移植和实现（续 YoloV3版本）
六月的羽_七月未央
08-16 1万+
2018年8月16日 更新 更新darknet 到 V3 速度增加了0.1s TODO 1.增加实时调用摄像头 进行分析的功能 2.增加版本切换的功能 3.增加手动选择weight文件的功能 APK: https://github.com/chentyjpm/DarknetDemoInAndroid/releases/download/V3/yoloV3.apk Code: ht...
TensorFlow Lite（实战系列三）：YOLOV3嵌入Android版APP实现对象检测案例
变强啊！三少奶奶
09-27 5182
摘要 本次实战案例，少奶奶给大家带来了使用Tensorflow Lite方式把YOLOV3嵌入Android版APP中，该APP通过调用手机摄像头，实现实时检测并返回具体结果，从而实现自定义网络模型移植边缘设备的可能。通过阅读本篇博客，大家也可以获得以下提升： 1）自定义训练的网络模型都可以通过TensorFlow Lite移植到Android版的APP中，实现实时监测。 2）讲解Android项目中的核心源码，让大家理解TensorFlow Lite工作的整个流程，使得大家在开发不同APP时，从被动变成主
Android端YOLOv3-tiny模型移植与实战：从Darknet到NCNN
weixin_36444661的博客
11-07 872
如果你在。
Linux学习笔记-shell脚本拼接文件并排序
weixin_45030158的博客
09-27 3159
shell实现两个文件的拼接 在实际的数据处理中，需要将多个文件写到同一个文件中，或者实现两个文件的拼接操作，这时候可以采用如下代码： cat inputFileName1 > outputFileName cat inputFileName2 >> outputFileName 第一行的目的是将输入文件1输出到输出文件中，第二行是将输入文件二直接添加在输出文件的尾部。随后如果仍有后续文件的拼接可继续使用第二行： cat inputFileNamen >> outputFil
yolov3和yolov5 android端实时部署(ncnn)
ljx123_的博客
01-11 6330
1.ncnn编译 #安装环境： opencv:https://blog.csdn.net/xiao13mm/article/details/106165477 sudo apt-get install autoconf automake libtool curl make g++ unzip #安装protobuf sudo apt install protobuf-compiler libprotobuf-dev protobuf 版本问题 报错： undefined reference to `
【嵌入式AI】yolov3-tiny基于darknet2ncnn在安卓实现
AI知识搬运工
03-11 1622
yolov3-tiny基于darknet2ncnn在安卓实现 1、构建ncnn以及编译darknet2ncnn 参考：https://github.com/xiangweizeng/darknet2ncnn git clone https://gitee.com/damone/darknet2ncnn.git cd darknet2ncnn git submodule init git ...
Tensor on Android学习笔记(二) ---将自己训练的YOLOv3模型导入TenserFlow
Jahonn的专栏
07-03 3039
v2版本的使用darkflow转换后移植就可以了https://github.com/thtrieu/darkflow但是我们是用Yolov3版本训练的模型，这个时候就遇到了问题，目前想曲线救国，但是最终没有成功思路是通过keras做中转，先转换为.h5的模型，在转为.pb先用keras-yolov3将.weights转为.h5 https://github.com/qqwweee/keras-y...
YOLOv3训练自己的数据集实现目标检测
热门推荐
_Seven°的博客
10-29 3万+
YOLO的全称是You Only Look Once，是最早出现的单阶段目标检测方法，也是第一个实现了实时目标检测的方法。计算机视觉领域主要包括两大方面：图像分类、目标检测。图像分类是指根据图像的语义信息将不同类别的图像区分开来，比如人脸识别，即模型输入一张图片，判断该图片属于某个类别。 YOLO是一个国外开源的目标检测算法，目前流行的YOLO算法分为三个版本，即YOLOv1、YOLOv2、YOLOv3，YOLO的核心思想就是利用整张图作为网络的输入，直接在输出层回归bounding box(边界)的
yolov3目标检测android,pythonTensorFlow实现yolov3训练自己的目标检测探测自定义数据集...
weixin_35135418的博客
05-28 792
1、数据集准备，使用label标注好自己的数据集。2、具体的大师代码见下链接3、我的代码训练步骤，这里我使用大神的浣熊数据集进行测试4、具体步骤1、 训练数据：python core/convert_tfrecord.py --dataset_txt .\raccoon_dataset\labels.txt --tfrecord_path_prefix .\raccoon_dataset\rac...
保姆级教程 | TensorFlow-YOLOv3 从本地训练到服务器部署全过程
我爱计算机视觉
03-28 1514
本文为 52CV 粉丝投稿，分享对已开源的 tensorflow-yolov3 版本进行许多细节上算法改进，步骤详细，非常适合新手入门。 01 项目简要说明本项目主要对...
评论 2
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