一、模型移动端环境部署

可以参考：

tensorflow lite 1---- 移动端部署--object detection 官方历程手把手教程_行码阁119的博客-CSDN博客

二、训练模型

本文使用的yolov5为ultralytics公司的一个开源产品，由Glenn大佬实现，有很多合作的开发者参与了该项目，开发迭代速度非常快，三天两头就有更新。

本文训练采用的GOOGLE的colab，不用在自己环境配置pytorch,很方便。

当然这个需要翻墙，各位如果需要，可以去收一下：登录 — iKuuu VPN。这个目前是免费使用，如果使用不起，也可以花费5元一月，也便宜：登录 — Ari Connect 海外加速服务

且为了防止官方更新变化，本文将官方代码保存在自己github上，为了让本教程可以持续使用。

1、链接谷歌云盘

这一步，大家应把自己数据集上传谷歌云盘上。如果数据量大，可以参考：

colab怎么提高训练速度，特别对于第一步训练时间特别长 colab切换为1的版本_行码阁119的博客-CSDN博客_colab训练速度慢

我这里图片较小，上传到谷歌云盘如图所示（其中Labels和images是对应的关系）：

其中label对应格式为：

如果数据集小的话，可以直接在网盘解压，打开。如果数据集大，按照一下步骤来。

2、首先复制官方源码：

! git clone https://github.com/ultralytics/yolov5.git

然后运行，下载依赖库：

 !pip install -r /content/yolov5/requirements.txt

3、数据集准备（madir两条语句都要运行）

!mkdir /content/datasets/

!mkdir /content/datasets/coco128

%cp -av /content/drive/MyDrive/yolov5/images.zip /content/datasets/coco128/images

%cp -av /content/drive/MyDrive/yolov5/labels.zip /content/datasets/coco128/

然后对两个文件进行解压。

!pip install pyunpack
!pip install patool
from pyunpack import Archive
Archive('/content/datasets/coco128/labels.zip').extractall('/content/datasets/coco128')
Archive('/content/datasets/coco128/images.zip').extractall('/content/datasets/coco128')

上面完成后，会有以下界面：

然后对/content/yolov5/data/coco128.yaml进行修改为自己的数据集，并将官方下载数据集代码注释掉。

到这里，数据集准备完毕。可以开始训练。

4、训练模型

! python /content/yolov5/train.py

训练好的模型，会保存在：

三、将模型转换为Tflite文件：

float16型

! python /content/yolov5/export.py --weights /content/yolov5/runs/train/exp4/weights/best.pt --include tflite --img 320

int 8

python export.py --weights yolov5s.pt --include tflite --int8 --img 320 --data data/coco128.yaml

运行成功后，会有一下文件：

右击，点击下载。

四、模型移动到安卓端

1 、打开android studio(默认个人安装成功，没有，参考第一章)

2、下载官方android环境：

https://github.com/zldrobit/yolov5/tree/tf-android

3、加载环境

4、将tflite文件放入项目文件

只是这里有一点需要注意，就是tflite文件的命名。float16 和 int8命名不一样。

然后将tflite放入如下文件：

然后点run. 如果没有虚拟机，请自己网上收一下怎么安装虚拟机。如果要部署到移动端，请参考第一章节给链接。

5、安卓端移动结果展示

五、补充

1、训练好的模型移动端转移

是这样的就是训练好的模型，需要发给远在天边的朋友，但是你会发现发送通过qq 远程发送过去的app无法使用，安装不起。那么需要你稍微改一下代码：

添加：

android.injected.testOnly=false

然后在发送即可

六、结语

如果大家有什么问题，欢迎留言，大家一起讨论。

tensorflow Lite 2---- 移动端部署--yolov5+训练自己的数据集相关推荐

出门问问：使用 TensorFlow Lite 在嵌入式端部署热词检测模型
文 / 出门问问信息科技有限公司来源 | TensorFlow 公众号 1.背景热词唤醒 (Keyword Spotting) 往往是用户对语音交互体验的第一印象,要做到准确快速.因此热词检测算法 ...
Yolov5训练自己的数据集+TensorRT加速+Qt部署
本人由于项目要求,需要利用Yolov5网络训练自己的目标检测与分类模型,并利用TensorRT加速将其部署到Qt界面上.目前已经实现了整个流程,写下这篇博客供需要的各位参考.(本文描述的重点主要是在后 ...
手把手教你用YOLOv5训练自己的数据集（从Windows环境配置到模型部署）
[小白CV]手把手教你用YOLOv5训练自己的数据集(从环境配置到模型部署) 本文禁止转载前言: 1. 安装Anaconda: 2. 创建虚拟环境: 3. 安装pytorch: 4. 下载源码和安装 ...
Yolov5训练自己的数据集（详细完整版）
最近在网上看到有与本博客一模一样的,连图片都一样. 特此声明:这是原版,转载请附原文链接,谢谢. 这次我将大部分图片添加了水印文章目录一. 环境(不能含有中文路径) 二. 准备工作(文件夹及视频转 ...
YOLOv5训练自己的数据集之详细过程篇
软硬件配置:Ubuntu + Tesla m40 24GB + cuda10.2 + anaconda 一.环境部署 1.源码下载 https://github.com/ultralytics/yol ...
yolov5训练自己的数据集
How to Train YOLOv5 On a Custom Dataset 根据这篇文章下的数据集 YOLOv5训练自己的数据集根据这篇文章,输入训练命令行 Hyperparameter ...
手把手教你使用YOLOV5训练自己的数据集并用TensorRT加速
点击上方"3D视觉工坊",选择"星标" 干货第一时间送达前言本文主要介绍目标检测YOLOV5算法来训练自己的数据集,并且使用TensorRT来对训练好的模型 ...
YOLOv5训练自己的数据集实现视频的识别
写在前面我本来是使用这个模型进行手写签名的定位,但是因为比赛的主办方原因,数据不允许公开,所以我使用动物世界的一段开头视屏来制作我的数据集.这整个模型跑通的过程中,我参考了很多不错的博客,写这篇博客 ...
yolov5训练自己的数据集，OpenCV DNN推理
学更好的别人, 做更好的自己. --<微卡智享> 本文长度为4238字,预计阅读9分钟前言上一篇<OpenCV--自学笔记>搭建好了yolov5的环境,作为目标检测在应用中 ...

tensorflow Lite 2---- 移动端部署--yolov5+训练自己的数据集

一、模型移动端环境部署

二、训练模型

1、链接谷歌云盘

2、首先复制官方源码：

3、数据集准备（madir两条语句都要运行）

4、训练模型

三、将模型转换为Tflite文件：

四、模型移动到安卓端

1 、打开android studio(默认个人安装成功，没有，参考第一章)

2、下载官方android环境：

3、加载环境

五、补充

1、训练好的模型移动端转移

六、结语

tensorflow Lite 2---- 移动端部署--yolov5+训练自己的数据集相关推荐

最新文章

热门文章

tensorflow Lite 2---- 移动端部署--yolov5+训练自己的数据集

一、模型移动端环境部署

二、训练模型

1、链接谷歌云盘

2、首先复制官方源码：

3、数据集准备（madir两条语句都要运行）

4、训练模型

三、将模型转换为Tflite文件：

四、模型移动到安卓端

1 、打开android studio(默认个人安装成功，没有，参考第一章)

2、下载官方android环境：

3、加载环境

五、 补充

1、训练好的模型 移动端转移

六、结语

tensorflow Lite 2---- 移动端部署--yolov5+训练自己的数据集相关推荐

最新文章

热门文章

五、补充

1、训练好的模型移动端转移