人工智能『AI』

安卓广告跳过 yolov5 ncnn方式集成

5 条评论

代码原地址： https://github.com/nihui/ncnn-android-yolov5
我在这里只是替换了模型信息，其余的内容基本没有修改。
原工程并没有写如何进行模型转换，模型转换可以参考这篇文章：https://blog.csdn.net/flyfish1986/article/details/116604907里面写的比较详细了。
这里简单的做个备份，不想跳转的可以直接参考下面的内容：

模型转换为ncnn格式

  1. 导出onnx
    bash
    python models/export.py --weights yolov5s.pt --img 320 --batch 1
  2. onnx-simplifer简化模型 bash
    python -m onnxsim yolov5s.onnx yolov5s-sim.onnx
  3. 专函为ncnn bash
    ./onnx2ncnn yolov5s-sim.onnx yolov5s.param yolov5s.bin
  4. 处理转ncnn产生的Unsupported slice step !
    1).处理YOLOv5的Focus模块,将多个slice节点转换为一个focus节点
    slices
Continue Reading

人工智能『AI』

Yolov5 tf-lite方式导出

一条评论

在之前的文章《Yolov5 Android tf-lite方式集成》中，导出tf-lite方式的模型使用的是https://github.com/zldrobit/yolov5.git中的tf.py。晚上尝试用yolov5 最新版本的代码的export.py导出，如果不想修改命令行参数，可以字节修改以下代码：

# 需要修改参数 data weights batch-size
def parse_opt():
    parser = argparse.ArgumentParser()
    parser.add_argument('--data', type=str, default=ROOT / 'data/ads.yaml', help='dataset.yaml path')
    parser.add_argument('--weights', type=str, default=ROOT / 'best.pt', help='weights path')
    parser.add_argument('--imgsz', '--img', '--img-size', nargs='+', type=int, default=[640, 640], help='image (h, w)')
    parser.add_argument('--batch-size', type=int, default=1, help='batch size')
    parser.add_argument('--device', default='cpu', help='cuda device, i.e. 0 or 0,1,2,3 or cpu')
    parser.add_argument('--half', action='store_true', help='FP16 half-precision export')
    parser.add_argument('--inplace', action='store_true', help='set YOLOv5 Detect() inplace=True')
    parser.add_argument('--train', action='store_true', help='model.train() mode')
    parser.add_argument('--optimize',default=True, action='store_true', help='TorchScript: optimize for mobile')
    parser.add_argument('--int8', action='store_true', help='CoreML/TF INT8 quantization')
    parser.add_argument('--dynamic', action='store_true', help='ONNX/TF: dynamic axes')
    parser.add_argument('--simplify', action='store_true', help='ONNX: simplify model')
    parser.add_argument('--opset', type=int, default=13, help='ONNX: opset version')
    parser.add_argument('--topk-per-class', type=int, default=100, help='TF.js NMS: topk per class to keep')
    parser.add_argument('--topk-all', type=int, default=100, help='TF.js NMS: topk for all classes to keep')
    parser.add_argument('--iou-thres', type=float, default=0.45, help='TF.js NMS: IoU threshold')
    parser.add_argument('--conf-thres', type=float, default=0.25, help='TF.js NMS: confidence threshold')
    parser.add_argument('--include', nargs='+',
                        default=['torchscript', 'onnx'],
                        help='available formats are (torchscript, onnx, coreml, saved_model, pb, tflite, tfjs)')
    opt = parser.parse_args()
    print_args(FILE.stem, opt)
    return opt
Continue Reading

人工智能『AI』

Yolov5 Android tf-lite方式集成

一条评论

上一篇文章中提到的torchscript方式在手机上实际的检测效果差了很多，于是尝试了另外两种方式，第二种方式目前还有问题，所以就先不写了。这篇文章介绍的是第三种方法。zldrobit创建了一个ftlite的分支，https://github.com/zldrobit/yolov5.git。要使用这个方法文章中步骤也写的比较详细了。

1.克隆相关的分支：

git clone https://github.com/zldrobit/yolov5.git
cd yolov5
git checkout tf-android
Continue Reading

人工智能『AI』

Yolov5 Android torchscript方式集成

没有评论

搜索了一下，目前要在手机端实现yolov5检测，找到了如下三种方式：

  • tocrchscript方式，也就是目前本文采用的方式，参考链接：https://blog.csdn.net/djstavaV/article/details/118078013
  • ncnn方式，参考链接：https://zhuanlan.zhihu.com/p/275989233?utm_source=qq https://zhuanlan.zhihu.com/p/400975662
  • tf-lite方式，参考链接：https://github.com/zldrobit/yolov5
Continue Reading

人工智能『AI』

Yolov5 安卓检测效果让人无语

没有评论

上图左边是手机上的效果，右边是pc上的效果，这tm的是同一个模型？转换模型参考的文章：https://github.com/pytorch/android-demo-app/tree/master/ObjectDetection 

https://blog.csdn.net/djstavaV/article/details/118078013 修改了各种参数和方法，效果差别不大。这个东西应该怎么搞？谁能给点建议？

人工智能『AI』, 安卓『Android』

Android Skip Ads Android Project【截屏部分】

没有评论

作为安卓自动跳过广告三部曲的第二部分，主要是实现系统截屏功能。继《Android Skip Ads Yolov5 Project》之后，下一步就是获取当前屏幕的截图，把截图传入分析引擎实现广告跳过按钮的识别，最后一步是按钮点击。

要在安卓系统上实现截图（截取整个屏幕，并且需要截取其他app的界面），通常有下面三个方法：

1.直接调用系统的截屏工具，需要root权限

adb shell screencap -p /sdcard/sreenshot1.png
Continue Reading
Close Menu