当前位置：首页 > article >正文

跌倒检测和识别3：Android实现跌倒检测(含源码，可实时跌倒检测)

article 2024/11/18 21:46:47

跌倒检测和识别3：Android实现跌倒检测(含源码，可实时跌倒检测)

1. 前言

2. 跌倒检测数据集说明

3. 基于YOLOv5的跌倒检测模型训练

4.跌倒检测模型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

5. Android跌倒检测效果

6.项目源码下载

1. 前言

这是项目《跌倒检测和识别》系列之《Android实现跌倒检测(含源码，可实时跌倒检测)》；本篇主要分享将Python训练后的YOLOv5的跌倒检测模型移植到Android平台。我们将开发一个简易的、可实时运行的跌倒检测Android Demo，可实现检测人体的up(站立)，bending(弯腰,蹲下)和down(躺下，摔倒)三种状态。

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跌倒（摔倒）检测模型yolov5s05_320。从效果来看，Android跌倒（摔倒）检测模型的检测效果还是可以的，高精度版本YOLOv5s平均精度平均值mAP_0.5:0.95=0.73693，而轻量化版本yolov5s05_416平均精度平均值mAP_0.5:0.95=0.50567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跌倒检测和识别的效果：

【Android APP体验】https://download.csdn.net/download/guyuealian/87707747

【尊重原创，转载请注明出处】https://blog.csdn.net/guyuealian/article/details/130250824

更多项目《跌倒检测和识别》系列文章请参考：

跌倒检测和识别1：跌倒检测数据集(含下载链接):https://blog.csdn.net/guyuealian/article/details/130184256
跌倒检测和识别2：YOLOv5实现跌倒检测(含跌倒检测数据集和训练代码)：https://blog.csdn.net/guyuealian/article/details/130250738
跌倒检测和识别3：Android实现跌倒检测(含源码，可实时跌倒检测)：https://blog.csdn.net/guyuealian/article/details/130250824
跌倒检测和识别4：C++实现跌倒检测(含源码，可实时跌倒检测)：https://blog.csdn.net/guyuealian/article/details/130250838

2. 跌倒检测数据集说明

目前收集了约4000的跌倒检测数据集和26000+跌倒分类数据集，关于跌倒检测数据集说明，请参考：跌倒检测和识别1：跌倒检测数据集(含下载链接)

3. 基于YOLOv5的跌倒检测模型训练

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。轻量化后的模型yolov5s05比yolov5s计算量减少了16倍，参数量减少了7倍。

下面是yolov5s05和yolov5s的参数量和计算量对比：

模型	input-size	params(M)	GFLOPs
yolov5s	640×640	7.2	16.5
yolov5s05	416×416	1.7	1.8
yolov5s05	320×320	1.7	1.1

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： 《跌倒检测和识别2：YOLOv5实现跌倒检测(含跌倒检测数据集和训练代码)》：https://blog.csdn.net/guyuealian/article/details/130250738

4.跌倒检测模型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 "data/model/yolov5s05_320/weights/best.pt" --img-size 320 320
# 转换yolov5s模型
python export.py --weights "data/model/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版本的跌倒（摔倒）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YOLOv5部分均采用C++实现，上层通过JNI接口调用

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);
}

如果你想在这个Android Demo部署你自己训练的YOLOv5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。

（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, 12 ]  # P3/8
  - [ 15, 30, 31, 22, 30, 60 ]  # P4/16
  - [ 58, 45, 78, 99, 186, 163 ]  # P5/32

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_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}}},
                                  },
                                  CLASS_NAME
};

//YOLOv5s05模型参数
static YOLOv5Param YOLOv5s05_ANCHOR_416 = {MODEL_TYPE_TNN,
                                           416,
                                           416,
                                           true,
                                           true,
                                           0,
                                           {{{"images", nullptr}}}, //InputNodes
                                           {{{"boxes", nullptr},   //OutputNodes
                                             {"scores", nullptr}}},
                                           {
                                                   {"434", 32,{{75, 58}, {101, 129}, {242, 212}}},
                                                   {"415", 16, {{20, 40}, {40, 29}, {38, 77}}},
                                                   {"output", 8, {{6, 8}, {10, 20}, {21, 15}}}, //
                                           },
                                           CLASS_NAME
};
//YOLOv5s05模型参数
static YOLOv5Param YOLOv5s05_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}, {30, 60}}},
                                                   {"output", 8, {{5, 6}, {8, 15}, {16, 12}}}, //
                                           },
                                           CLASS_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

5. Android跌倒检测效果

【Android APP体验】https://download.csdn.net/download/guyuealian/87441942

APP在普通Android手机上可以达到实时的跌倒（摔倒）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。

6.项目源码下载

【Android APP体验】：https://download.csdn.net/download/guyuealian/87707747

【项目源码下载】跌倒检测和识别3：Android实现跌倒检测(含源码，可实时跌倒检测)

整套Android项目源码内容包含：

提供快速版yolov5s05_416和yolov5s05_320跌倒（摔倒）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跌倒（摔倒）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
所有依赖库都已经配置好，可直接build运行，若运行出现闪退，请参考dlopen failed: library “libomp.so“ not found 解决。

查看全文

http://www.kler.cn/a/15548.html