Android实现佩戴安全帽检测和识别(含训练代码+Android源码+数据集)
目录
Android实现佩戴安全帽检测和识别(含训练代码+Android源码+数据集)
1. 前言
2. 佩戴安全帽检测和识别的方法
（1）基于目标检测的佩戴安全帽识别方法
（2）基于头部检测+佩戴安全帽分类识别方法
3. 佩戴安全帽数据集说明
（1）佩戴安全帽数据集
（2）自定义数据集
4. 基于YOLOv5的佩戴安全帽模型训练
5.佩戴安全帽检测模型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
6. 佩戴安全帽检测效果
7.项目源码下载
1. 前言
本篇博客是《YOLOv5实现佩戴安全帽检测和识别(含佩戴安全帽数据集+训练代码)_》续作Android篇，主要分享将Python训练后的YOLOv5佩戴安全帽检测模型移植到Android平台。我们将开发一个简易的佩戴安全帽检测和识别的Android Demo。
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佩戴安全帽识别模型yolov5s05_320。从效果来看，Android佩戴安全帽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=0.93，mAP_0.5:0.95=0.63，而轻量化版本yolov5s05_320平均精度平均值mAP_0.5=0.84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效果：
|
|
|
【项目源码下载】 Android实现佩戴安全帽检测和识别(含训练代码+Android源码+数据集)
2. 佩戴安全帽检测和识别的方法
（1）基于目标检测的佩戴安全帽识别方法
基于目标检测的佩戴安全帽识别方法，一步到位，把佩戴安全帽类别直接当成多个目标检测的类别进行训练。
- 该方案采用one-stage的方法，直接端到端训练，任务简单，速度较快；
- 新增类别或者数据，需要人工拉框标注佩戴安全帽的框，成本较大
- 部署简单
（2）基于头部检测+佩戴安全帽分类识别方法
该方法，先训练一个通用的头部检测模型(不区分是否佩戴安全帽)，然后外扩检测框并裁剪头部区域，再训练一个佩戴安全帽分类器，完成对佩戴安全帽的分类识别。当然一个更加简单的方法是，可以将人脸检测器当做头部检测器，即将人脸检测框外扩2倍左右，作为头部检测框的区域。只是这样做，若人背向，人脸检测器一般效果比较差，无法识别是否佩戴了安全帽。
- 该方案采用two-stage方法，可针对性分别提高检测模型和分类模型的性能
- 头部检测模型不区分是否佩戴安全帽，只检测头部检测框，检测精度较高，
- 佩戴安全帽分类模型可以做到很轻量
- 由于采用two-stage方法进行检测-识别，因此速度相对较慢
考虑到佩戴安全帽检测和识别的任务比较简单，因此本博客将采用“基于目标检测的佩戴安全帽识别方法”。目标检测的的方法较多，比如Faster-RCNN，YOLO系列，SSD等均可以采用，本博客将采用YOLOv5进行佩戴安全帽目标检测模型训练。
3. 佩戴安全帽数据集说明
（1）佩戴安全帽数据集
目前收集了2W+的佩戴安全帽数据集：
- Helmet-Asian亚洲人佩戴安全帽数据集：总共有19000+图片，VOC的XML数据格式，可直接用于目标检测模型训练。
- Helmet-Europe欧洲人佩戴安全帽数据集：总共有3000+图片，VOC的XML数据格式，可直接用于目标检测模型训练。
关于佩戴安全帽数据集说明，详见另一篇博客说明：佩戴安全帽数据集使用说明和下载_PKing666666的博客-CSDN博客
（2）自定义数据集
如果需要增/删类别数据进行训练，或者需要自定数据集进行训练，可参考如下步骤：
- 采集图片，建议不少于200张图片
- 使用Labelme等标注工具，对目标进行拉框标注：labelme工具：GitHub - wkentaro/labelme: Image Polygonal Annotation with Python (polygon, rectangle, circle, line, point and image-level flag annotation).
- 将标注格式转换为VOC数据格式，参考工具：labelme/labelme2voc.py at main · wkentaro/labelme · GitHub
- 生成训练集train.txt和验证集val.txt文件列表
- 修改engine/configs/voc_local.yaml的train和val的数据路径
- 重新开始训练
4. 基于YOLOv5的佩戴安全帽模型训练
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。从性能来看，yolov5s05比yolov5s快5多倍，而mAP下降了9%（0.93→0.84），对于手机端，这精度勉强可以接受。
官方YOLOv5: https://github.com/ultralytics/yolov5
下面是yolov5s05和yolov5s的参数量和计算量对比：
模型 |
input-size |
params(M) |
GFLOPs |
mAP0.5 |
yolov5s |
640×640 |
7.2 |
16.5 |
0.93067 |
yolov5s05 |
416×416 |
1.7 |
1.8 |
0.87051 |
yolov5s05 |
320×320 |
1.7 |
1.1 |
0.84477 |
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：YOLOv5实现佩戴安全帽检测和识别(含佩戴安全帽数据集+训练代码)_PKing666666的博客-CSDN博客
5.佩戴安全帽检测模型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 "runs/yolov5s05_320/weights/best.pt" --img-size 320 320
# 转换yolov5s模型
python export.py --weights "runs/yolov5s_640/weights/best.pt" --img-size 640 640
GitHub： 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版本的佩戴安全帽检测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源码核心算法均采用C++实现，上层通过JNI接口调用.
如果你想在这个Android Demo部署你自己训练的模型，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。
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);
}
（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 , 16,11 ]
- [ 15,30, 31,22, 29,59 ]
- [ 58,45 , 78,99, 186,163 ]
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_HELMET_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}}}, //
},
HELMET_NAME};
//YOLOv5s05模型参数
static YOLOv5Param YOLOv5s05_HELMET_ANCHOR_416 = {MODEL_TYPE_TNN,
416,
416,
true,
true,
0,
{{{"images", nullptr}}}, //InputNodes
{{{"boxes", nullptr}, //OutputNodes
{"scores", nullptr}}},
{
{"434", 32,
{{75, 58}, {101, 128}, {242, 211}}},
{"415", 16,
{{19, 39}, {40, 29}, {38, 77}}},
{"output", 8,
{{6, 8}, {10, 19}, {21, 14}}}, //
},
HELMET_NAME};
//YOLOv5s05模型参数
static YOLOv5Param YOLOv5s05_HELMET_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}, {29, 59}}},
{"output", 8,
{{5, 6}, {8, 15}, {16, 11}}}, //
},
HELMET_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
6. 佩戴安全帽检测效果
Android APP体验 : javascript:void(0)
APP在普通Android手机上可以达到实时的佩戴安全帽检测效果，CPU(4线程)约30ms左右，GPU约25ms左右 ，基本满足业务的性能需求。
|
|
|
7.项目源码下载
整套项目源码内容包含：
【项目源码下载】 Android实现佩戴安全帽检测和识别(含训练代码+Android源码+数据集)
（1）佩戴安全帽数据集,总共2W+图片
- Helmet-Asian亚洲人佩戴安全帽数据集：总共有19000+图片，VOC的XML数据格式，可直接用于目标检测模型训练。
- Helmet-Europe欧洲人佩戴安全帽数据集：总共有3000+图片，VOC的XML数据格式，可直接用于目标检测模型训练。
（2）YOLOv5训练代码和测试代码（Pytorch）
- 整套YOLOv5项目工程的训练代码和测试代码
- 支持高精度版本yolov5s训练和测试
- 支持轻量化版本yolov5s05_320和yolov5s05_416训练和测试，可以用于在Android手机实时检测
- 根据本篇博文说明，简单配置即可开始训练
（3）佩戴安全帽检测和识别Android APP源码
- 提供快速版yolov5s05佩戴安全帽检测模型，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佩戴安全帽检测模型，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