YOLOv11 NCNN安卓部署

小小宇航员123

已于 2024-12-02 10:59:02 修改

阅读量4.6k

点赞数 23

CC 4.0 BY-SA版权

文章标签： YOLO android yolov11 ncnn 部署优化

于 2024-12-02 10:31:39 首次发布

本文链接：https://blog.csdn.net/gaoxukkk888/article/details/144181862

YOLOv11 NCNN安卓部署

之前自己在验证更换relu激活函数重新训练部署模型的时候，在使用ncnn代码推理验证效果很好，但是部署到安卓上cpu模式会出现大量的错误检测框，现已更换会官方默认的权重

前言

YOLOv11 NCNN安卓部署

在这里插入图片描述

目前的帧率可以稳定在20帧左右，下面是这个项目的github地址：https://github.com/gaoxumustwin/ncnn-android-yolov11

上面的检测精度很低时因为这个模型只训练了5个epoch，使用3090训练一个epoch需要15分钟，后续会把训练50个epoch和100个epoch的权重更新到仓库中；

在之前复现了一个yolov8pose ncnn安卓部署的项目，在逛github的时候发现了一个关于yolov11的ncnn仓库,看了一下代码，发现作者是根据三木君大佬的代码进行改写，所以跟yolov8pose ncnn的非常的类似，所以就趁着刚改写的热乎劲，把yolov11 ncnn 安卓部署的代码改写出来；

环境配置

写这个blog的时候，安装时间为2024年11月29日

pip install ultralytics

安装后的ultralytics版本为：8.3.39，安装后的路径为:/root/miniconda3/lib/python3.8/site-packages/ultralytics

数据配置

yolov11的默认检测模型是使用COCO2017数据集进行训练，如果训练COCO数据集建议在autodl上进行训练，因为coco2017数据集在autodl上是公开数据集

如何查看autodl的共享数据

root@autodl-container-3686439328-168c7bd7:~# ls  /root/autodl-pub/
ADEChallengeData2016  COCO2017     DIV2K     ImageNet100                 VOCdevkit   mvtec_anomaly_detection.tar.xz
Aishell               CUB200-2011  DOTA      KITTI_Depth_Completion.tar  Vimeo-90k   nuScenes
BERT-Pretrain-Model   CULane       GOT10k    KITTI_Object                cifar-100
CASIAWebFace          CelebA       ImageNet  SemanticKITTI               cityscapes

数据制作

如果在实例中找到了自己需要的数据集，想使用共享数据，不能直接解压会出现只读错误，需要解压到自己的数据盘中（/root/autodl-tmp）

按照下面的流程操作即可

cd /root/autodl-tmp/
mkdir images
cd images
unzip /root/autodl-pub/COCO2017/train2017.zip
unzip /root/autodl-pub/COCO2017/val2017.zip

此时images下面只有 train2017 val2017

下载COCO2017的标签

cd /root/autodl-tmp
mkdir labels
cd labels
wget https://github.com/ultralytics/assets/releases/download/v0.0.0/coco2017labels.zip
unzip coco2017labels.zip
rm coco2017labels.zip
cd coco
rm -r annotations/
rm -r images/
rm -r LICENSE 
rm -r README.txt 
rm -r test-dev2017.txt 
rm -r train2017.txt 
rm -r val2017.txt 
mv labels/* ../
rm -r coco/

此时labels下面只有 train2017 val2017

数据配置文件

复制COCO2017的配置文件到训练目录下

# workspace  root
mkdir train
cp /root/miniconda3/lib/python3.8/site-packages/ultralytics/cfg/datasets/coco.yaml ./train

修改coco.yaml中的path、train和val

# Train/val/test sets as 1) dir: path/to/imgs, 2) file: path/to/imgs.txt, or 3) list: [path/to/imgs1, path/to/imgs2, ..]
path: /root/autodl-tmp # dataset root dir
train: images/train2017 # train images (relative to 'path') 118287 images
val: images/val2017 # val images (relative to 'path') 5000 images

更换激活函数

更换激活函数重新训练部署出现了问题，CPU识别时出现了大量错误的检测框，而GPU则不会，并且更换会参考的YOLOv11-ncnn提供的原始ncnn权重不会出现这个问题，由于时间有限，没有继续验证，但我仍认为更换激活函数的做法是正确的

如果有想去验证的朋友可以参考下面的做法：

YOLOv11默认使用的激活函数是SiLU,换成计算更高效的ReLU

更换激活函数后，原有的Pytorch模型需要重新训练再导出ONNX

修改/root/miniconda3/lib/python3.8/site-packages/ultralytics/nn/modules/conv.py中的第39行左右的default_act = nn.SiLU() 修改为 default_act = nn.ReLU()

训练

下载预训练权重

wget https://github.com/ultralytics/assets/releases/download/v8.3.0/yolo11n.pt

训练

训练脚本train.py

from ultralytics import YOLO

model = YOLO('yolo11.yaml').load('yolo11n.pt')  # 加载预训练模型  还是有用的 有助于训练

results = model.train(data='./coco.yaml', epochs=100, imgsz