如何在Java中集成YOLOv5的last.pt模型开发安卓APK实现目标检测

前置准备 #

• 原生PyTorch格式的last.pt无法直接在Java/安卓端运行，需要先做模型格式转换，安卓端推荐优先转NCNN格式，推理性能优于ONNX、TFLite等其他格式
• 工具准备：Python环境（用于模型格式转换）、Android Studio（安卓APK开发IDE）、NCNN模型转换工具

第一步：模型格式转换 #

1. 导出ONNX中间格式
   在你训练YOLOv5的项目根目录下，执行官方自带的导出脚本：
   python export.py --weights last.pt --include onnx --img 640 --batch 1
   执行完成后会得到last.onnx文件，其中--img参数和你训练时的输入尺寸保持一致即可。
2. ONNX转NCNN格式
   使用NCNN官方提供的onnx2ncnn工具执行转换：
   onnx2ncnn last.onnx last.param last.bin
   转换完成后得到NCNN推理需要的两个文件：.param是模型结构文件，.bin是模型权重文件，你可以再用ncnnoptimize工具对模型进行裁剪优化，减小模型体积适配移动端。

第二步：安卓端Java代码实现示例 #

依赖引入 #

直接在安卓项目的模块级build.gradle文件中添加NCNN的预编译依赖即可，无需手动编译源码。

核心代码实现 #

先把转换得到的last.param和last.bin文件放到安卓项目的assets资源目录下，之后编写推理逻辑：

import com.tencent.ncnn.YoloV5Ncnn;
import android.graphics.Bitmap;
import java.util.List;

public class YoloDetector {
    private YoloV5Ncnn yoloV5Ncnn;

    // 初始化模型
    public boolean initModel(android.content.AssetManager assetManager) {
        yoloV5Ncnn = new YoloV5Ncnn();
        // 第三个参数设置是否开启GPU加速，可根据需求调整
        return yoloV5Ncnn.Init(assetManager, "last.param", "last.bin", false);
    }

    // 执行目标检测
    public List<YoloV5Ncnn.Obj> detect(Bitmap inputBitmap, float confThreshold) {
        if (yoloV5Ncnn == null) return null;
        return yoloV5Ncnn.Detect(inputBitmap, confThreshold);
    }

    // 释放模型资源
    public void release() {
        if (yoloV5Ncnn != null) {
            yoloV5Ncnn.Destroy();
        }
    }
}

检测结果处理 #

你可以直接遍历返回的结果集合获取检测信息：

• obj.label：检测类别ID，和你训练时的标签顺序一一对应
• obj.prob：检测置信度，范围0-1
• obj.rect：检测框坐标，包含left/top/right/bottom四个值，对应检测框的左上角和右下角坐标
  你可以在画布上自行绘制检测框和类别标签，完成可视化输出。

自有训练模型适配注意事项 #

• 模型转换和训练使用的YOLOv5版本必须一致，避免版本差异导致的结构不兼容问题
• 如果你的训练配置修改了类别数、锚框尺寸、输入尺寸，需要同步修改推理端的对应配置，否则会出现检测结果完全错误的问题
• 实时检测场景可以开启GPU加速，中高端安卓机的推理速度可以提升2-3倍，满足实时性要求
• 安卓端运行需要提前申请相机、存储读取权限，否则无法加载图片或者调用摄像头做实时检测

内容的提问来源于stack exchange，提问作者TAIFOUR TAOUTAOU