现在，目标检测界的明星模型YOLO，最新v5版本手机也可以玩了！你看~检测桌上所有东西只需要几十毫秒：这速度好像不比电脑差？想自己建造一个吗？转到教程。在Android手机上部署YOLOv5更准确地说是YOLOv5s。YOLOv5于2020年5月发布，最大的特点是模型小，速度快，可以很好的应用于移动端。而实际上，一开始，YOLOv5作为一个iOS端的图像检测、分类和定位APP进入人们的视野，而该APP是YOLOv5的作者本人开发的。现在，要在安卓设备上部署，需要配置环境如下：HostUbuntu18.04DockerTensorflow2.4.0PyTorch1.7.0OpenVino2021.3AndroidAPPAndroidStudio4.2.1minSdkVersion28targetSdkVersion29TfLite2.4.0Android设备小米11（内存128GB/RAM8GB）操作系统MUI12.5.8然后直接在GitHub上下载作者的项目。gitclone--recursivehttps://github.com/lp6m/yolov5s_android使用Docke容器进行主机评估和模型转换。cdyolov5s_androiddockerbuild./-f./docker/Dockerfile-tyolov5s_androiddockerrun-it--gpusall-vpwd:/workspaceyolov5s_anrdoidbash将app文件夹下的./tflite\umodel/*.tflite复制到app/tflite\uyolov5\utest/app/src/main/assets/目录下，可以在AndroidStudio上构建应用。构建的程序可以设置输入图像大小、推理精度和模型精度。如果选择“打开目录”，检测结果将保存为coco格式的json文件。摄像头实时检测模式将精度和输入图像大小固定为int8/320，该模式在小米11上实现的图像帧率为15FPS。由于这个项目是笔者参加的“Yolov5sExport”竞赛（最终获奖，奖金还是2000美元），所以也进行了性能测评。评估包括延迟和准确性。延迟时间是在小米11上测得的，不包括前处理/后处理和数据传输的耗时。结果如下：无论模型精度是float32还是int8，时间都可以控制在250ms以内，连半秒都不到。△float32△int8可以在电脑上对比一下YOLOv5的性能：Accuracy各种模式下mAP（meanAveragePrecision）的最高值为28.5，最低为25.5。最后，您可以点击下面的链接查看详细教程；如果你只是想尝试一下，作者也提供了一个Android安装包就可以了~项目地址：https://github.com/lp6m/yolov5s_android
