Ultralytics Android应用：使用YOLO模型进行实时物体检测

 

Ultralytics Android应用是一个强大的工具，允许您直接在Android设备上运行YOLO模型进行实时物体检测。该应用利用TensorFlow Lite进行模型优化，并使用各种硬件代理进行加速，从而实现快速高效的物体检测。

观看: Ultralytics HUB应用（IOS & Android）入门

量化与加速

为了在您的Android设备上实现实时性能，YOLO模型被量化为FP16或INT8精度。量化是一个过程，通过减少模型权重和偏差的数值精度，从而减小模型的大小和所需的计算量。这导致更快的推理时间，而不会显著影响模型的准确性。

FP16量化

FP16（或半精度）量化将模型的32位浮点数转换为16位浮点数。这使模型大小减半，并加快推理过程，同时在准确性和性能之间保持良好的平衡。

INT8量化

INT8（或8位整数）量化通过将模型的32位浮点数转换为8位整数，进一步减小模型大小和计算需求。这种量化方法可以显著加速，但可能会导致平均精度均值（mAP）略有下降，因为数值精度较低。

INT8模型中降低的数值精度在量化过程中可能会导致一些信息的丢失，这可能会导致mAP略有下降。然而，考虑到INT8量化带来的显著性能提升，这种权衡通常是可以接受的。

委托和性能差异

Android设备上提供了不同的委托来加速模型推理。这些委托包括CPU、GPU、Hexagon和NNAPI。这些委托的性能因设备的硬件供应商、产品线和具体使用的芯片组而异。

1. CPU：默认选项，在大多数设备上性能合理。
2. GPU：利用设备的GPU进行更快的推理。在配备强大GPU的设备上可以提供显著的性能提升。
3. Hexagon：利用高通的Hexagon DSP进行更快和更高效的处理器。此选项适用于配备高通骁龙处理器的设备。
4. NNAPI：Android 神经网络 API（NNAPI）作为在Android设备上运行ML模型的抽象层。NNAPI可以利用各种硬件加速器，如CPU、GPU和专用AI芯片（例如，Google的Edge TPU，或Pixel神经核心）。

以下是显示主要供应商、其产品线、流行设备和支持的委托的表格：

请注意，提到的设备列表并不详尽，可能会因具体的芯片组和设备型号而异。始终在目标设备上测试您的模型，以确保兼容性和最佳性能。

请记住，委托的选择会影响性能和模型兼容性。例如，某些模型可能无法与某些委托一起工作，或者特定设备上可能无法使用某个委托。因此，在目标设备上测试您的模型和所选委托以获得最佳结果至关重要。

开始使用Ultralytics Android应用

要开始使用Ultralytics Android应用，请按照以下步骤操作：

1. 从Google Play商店下载Ultralytics应用。

2. 在您的Android设备上启动应用，并使用您的Ultralytics账户登录。如果您还没有账户，请在此处创建一个Ultralytics账户。

3. 登录后，您将看到您训练的 YOLO 模型列表。选择一个模型用于目标检测。

4. 授予应用程序访问您设备相机的权限。

5. 将设备的相机对准您想要检测的物体。应用程序将在检测到物体时实时显示边界框和类别标签。

6. 探索应用程序的设置，调整检测阈值，启用或禁用特定物体类别等。

通过 Ultralytics Android 应用程序，您现在可以轻松使用 YOLO 模型进行实时目标检测。尽情探索应用程序的功能，并优化其设置以适应您的特定使用场景。

📅 Created 11 months ago ✏️ Updated 9 days ago

Comments