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车辆检测模型yolov5s05_320。从效果来看，Android车辆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=0.57192，而轻量化版本yolov5s05_416平均精度平均值mAP_0.5=0.47022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：

【Android APP体验】https://download.csdn.net/download/guyuealian/87244599

【项目源码下载】 Android实现车辆检测(含Android源码可实时运行)

【尊重原创，转载请注明出处】https://panjinquan.blog.csdn.net/article/details/128190532

2. 车辆检测数据集说明

目前收集了约10W+的车辆检测数据集：UA-DETRAC车辆检测数据集+Vehicle-Dataset车辆检测数据集+BITVehicle车辆检测数据集

关于车辆检测数据集使用说明和下载，详见另一篇博客说明：《UA-DETRAC BITVehicle车辆检测数据集(含下载地址)》

3. 基于YOLOv5的车辆检测模型训练

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。从性能来看，yolov5s05比yolov5s快5多倍，而mAP下降了10%（0.57→0.47），对于手机端，这精度勉强可以接受。

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	0.57192
yolov5s05	416×416	1.7	1.8	0.47022
yolov5s05	320×320	1.7	1.1	0.44788

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实现车辆检测(含车辆检测数据集+训练代码)

4.车辆检测模型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版本的车辆检测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:.2fs)'
          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_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_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_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;