用小米11等安卓手机解锁目标检测模型YOLOv5，识别速度不过几十毫秒！

　　现在，目标检测界明星模型 YOLO，最新 v5 版本也可以在手机上玩儿了！瞧～只需要区区几十毫秒，桌上的东西就全被检测出来了：
　　这速度似乎不比电脑差？想要亲手搭建一个？上教程。在安卓手机上部署 YOLOv5
　　更确切的说是 YOLOv5s。YOLOv5 于 2020 年 5 月发布，最大的特点就是模型小，速度快，所以能很好的应用在移动端。
　　而且其实最开始 YOLOv5 就是作为一款对图像进行检测、分类和定位的 iOS 端 App 进入人们的视野，而且 App 还是由 YOLOv5 的作者亲自开发。
　　现在，想要在安卓设备上部署它，你需配备的环境如下：
　　主机 Ubuntu18.04
　　Docker
　　•Tensorflow 2.4.0
　　•PyTorch 1.7.0
　　•OpenVino 2021.3
　　安卓 App
　　•Android Studio 4.2.1
　　•minSdkVersion 28
　　•targetSdkVersion 29
　　•TfLite 2.4.0
　　安卓设备
　　・小米 11 (存储 128GB/ 内存 8GB)
　　・操作系统 MIUI 12.5.8
　　然后直接下载作者在 GitHub 上的项目。gitclone—recursivehttps://github.com/lp6m/yolov5s_android
　　使用 Docker 容器进行主机评估（host evaluation）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\u model/*.tflite 复制到 App / tflite\u yolov5\u test / App / src / main / assets / 目录下，就可在 Android Studio 上构建应用程序。
　　构建好的程序可以设置输入图像大小、推断精度和模型精度。
　　如果选择其中的＂Open Directory＂，检测结果会被保存为 coco 格式的 json 文件。从摄像头进行实时检测模式已将精度和输入图像大小固定为 int8/320，该模式在小米 11 达到的图像帧数为 15FPS。
　　由于本项目是作者参加的一个＂Yolov5s Export＂竞赛（并且最终得了奖，奖金还是 2000 美元），所以他也进行了性能评估。
　　评估包括延时和准确度。延迟时间
　　在小米 11 上测得，不包含预处理 / 后处理和数据传输的耗时。
　　结果如下：
　　不管模型精度是 float32 还是 int8，时间都能控制在 250ms 以内，连半秒的时间都不到。
　　△float32
　　△int8
　　大家可以和 YOLOv5 在电脑上的性能对比：
　　准确度
　　各种模式下的 mAP (mean Average Precision) 值最高为 28.5，最低也有 25.5。
　　最后，详细教程可戳下方链接；如果你只想试玩，作者也在上面提供了安卓安装包～
　　项目地址：
　　https://github.com/lp6m/yolov5s_android