跌倒检测和识别3：Android实现跌倒检测(含源码，可实时跌倒检测)_基于android的跌倒监测app

跌倒检测和识别3：Android实现跌倒检测(含源码，可实时跌倒检测)

目录

跌倒检测和识别3：Android实现跌倒检测(含源码，可实时跌倒检测)

1. 前言

2. 跌倒检测数据集说明

3. 基于YOLOv5的跌倒检测模型训练

4.跌倒检测模型Android部署

（1） 将Pytorch模型转换ONNX模型

（2） 将ONNX模型转换为TNN模型

（3） Android端上部署模型

（4） 一些异常错误解决方法

5. Android跌倒检测效果

6.项目源码下载

---

1. 前言

这是项目《跌倒检测和识别》系列之《Android实现跌倒检测(含源码，可实时跌倒检测)》；本篇主要分享将Python训练后的YOLOv5的跌倒检测模型移植到Android平台。我们将开发一个简易的、可实时运行的跌倒检测Android Demo，可实现检测人体的up(站立)，bending(弯腰,蹲下)和down(躺下，摔倒)三种状态。

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跌倒（摔倒）检测模型yolov5s05_320。从效果来看，Android跌倒（摔倒）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_0.5:0.95=0.73693，而轻量化版本yolov5s05_416平均精度平均值mAP_0.5:0.95=0.50567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跌倒检测和识别的效果：

      

【Android APP体验】https://download.csdn.net/download/guyuealian/87707747

【尊重原创，转载请注明出处】https://blog.csdn.net/guyuealian/article/details/130250824

---

 更多项目《跌倒检测和识别》系列文章请参考：

1. 跌倒检测和识别1：跌倒检测数据集(含下载链接):https://blog.csdn.net/guyuealian/article/details/130184256
2. 跌倒检测和识别2：YOLOv5实现跌倒检测(含跌倒检测数据集和训练代码)：https://blog.csdn.net/guyuealian/article/details/130250738

3. 跌倒检测和识别3：Android实现跌倒检测(含源码，可实时跌倒检测)：https://blog.csdn.net/guyuealian/article/details/130250824

4. 跌倒检测和识别4：C++实现跌倒检测(含源码，可实时跌倒检测)：https://blog.csdn.net/guyuealian/article/details/130250838

---

2. 跌倒检测数据集说明

 目前收集了约4000的跌倒检测数据集和26000+跌倒分类数据集，关于跌倒检测数据集说明，请参考：跌倒检测和识别1：跌倒检测数据集(含下载链接)

---

3. 基于YOLOv5的跌倒检测模型训练

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。轻量化后的模型yolov5s05比yolov5s计算量减少了16倍，参数量减少了7倍。

下面是yolov5s05和yolov5s的参数量和计算量对比：

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： 《跌倒检测和识别2：YOLOv5实现跌倒检测(含跌倒检测数据集和训练代码)》 ：https://blog.csdn.net/guyuealian/article/details/130250738

---

4.跌倒检测模型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 "data/model/yolov5s05_320/weights/best.pt" --img-size 320 320
# 转换yolov5s模型
python export.py --weights "data/model/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版本的跌倒（摔倒）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:  【wpsshop博客】