如何将Jupyter训练的YOLOv3自定义模型集成到Kotlin安卓应用

核心思路是先把你手上Darknet格式的YOLOv3模型转成安卓端可硬件加速的TFLite格式，再对接摄像头流做推理，最后绑定你已有的页面跳转逻辑，全程不需要改你原来模型训练的部分，和你Jupyter里的检测逻辑完全对齐。

1. PC端完成模型格式转换 #

你现有的yolov3_custom.cfg、yolov3_custom.weights是Darknet原生格式，安卓端直接调用兼容性差、速度慢，先转成TFLite格式：

• 先在PC端Python环境装依赖：pip install tensorflow==2.15.0 opencv-python numpy
• 用TensorFlow官方提供的Darknet模型转换脚本，先将cfg和weights导出为SavedModel格式，转换前一定要核对参数：类别数、锚点值必须和你自定义训练时的配置完全一致，每个检测头的filters值要按(类别数+5)*3计算修改，别直接用默认COCO数据集的80类配置，不然推理结果完全错误。
• 将导出的SavedModel转为动态量化的TFLite格式，量化后模型体积能压缩到原大小的1/4，安卓端推理速度能提升3倍以上，最终得到yolov3_custom.tflite文件。另外单独存一个标签文件labels.txt，每行写一个你自定义的类别名。

2. 安卓项目依赖配置 #

打开你已经完成基础页面开发的Kotlin项目，修改配置：

• 在app模块的build.gradle依赖块中添加所需库：

dependencies {
    // OpenCV安卓版，用于处理帧格式、绘制检测边界框
    implementation 'org.opencv:opencv-android:4.8.0'
    // TFLite核心库，用于加载模型、执行推理
    implementation 'org.tensorflow:tensorflow-lite:2.15.0'
    implementation 'org.tensorflow:tensorflow-lite-support:0.4.4'
    // CameraX库，用于稳定调用设备摄像头，适配不同安卓版本
    implementation 'androidx.camera:camera-core:1.3.0'
    implementation 'androidx.camera:camera-camera2:1.3.0'
    implementation 'androidx.camera:camera-lifecycle:1.3.0'
    implementation 'androidx.camera:camera-view:1.3.0'
}

• 在同文件的android.defaultConfig块中添加NDK架构过滤，只适配主流手机架构，减小安装包体积：

ndk {
    abiFilters 'armeabi-v7a', 'arm64-v8a'
}

• 在项目app/src/main路径下新建assets文件夹，把转好的yolov3_custom.tflite和labels.txt放进去。

3. 实时检测逻辑开发 #

这部分逻辑和你Jupyter里的流程基本一致，只是把PC端摄像头调用换成安卓端的CameraX：

• 封装一个检测辅助类，统一处理模型加载、帧预处理、推理、后处理、绘制边界框逻辑：
  • 模型加载：从assets目录读取tflite文件生成内存映射，实例化TFLite解释器，开启NNAPI硬件加速，大部分安卓机型都能支持，推理速度会快很多。
  • 帧预处理：将CameraX返回的YUV格式摄像头帧转为OpenCV的Mat对象，再转成RGB格式，resize到你模型训练时的输入尺寸（常用416416/608608），将像素值归一化到0-1区间，整理成模型要求的输入张量格式。
  • 推理：把预处理好的输入张量传入解释器，拿到三个检测头的输出结果。
  • 后处理：和你Jupyter里写的逻辑完全一致，先做置信度阈值过滤，再做NMS非极大值抑制，最终得到有效检测框的坐标、置信度、类别ID。
  • 绘制结果：把检测框坐标映射回原始摄像头帧的尺寸，用OpenCV的rectangle、putText方法把边界框、类别名、置信度绘制到帧上。
• 在启动页的布局中添加PreviewView控件用来显示摄像头画面，绑定CameraX生命周期，每获取到一帧就传入检测辅助类处理，把绘制完检测结果的帧转为Bitmap显示在PreviewView上，就实现了和PC端一致的实时检测效果。
• 记得在Activity中动态申请摄像头权限，用户授权通过后再启动摄像头采集。

4. 对接页面跳转逻辑 #

你已经完成了其他Activity的基础开发，这部分对接很简单：

• 在检测页面的布局中放置你已经设计好的“下一步”按钮。
• 给按钮添加点击监听，点击时可以根据需求把当前检测结果（比如识别到的类别、当前检测帧截图）通过Intent传递给下一个Activity，调用startActivity()完成跳转即可。跳转前记得停止摄像头帧采集、释放TFLite解释器资源，避免内存泄漏。

踩坑提示：不要直接用OpenCV DNN模块加载原生.weights文件在安卓端跑，没有硬件加速的情况下中低端机型帧率通常只有3-5帧，体验很差，用量化后的TFLite模型帧率基本能稳定在20fps以上。如果转换Darknet模型觉得麻烦，也可以先把cfg和weights转成ONNX格式，再从ONNX转TFLite，只要参数匹配推理效果完全一致。

内容的提问来源于stack exchange，提问作者Padala Kavya