轻量化的yolov8部署到安卓Android手机端-编程知识

一、pytorch环境配置和yolov8源码安装

首先在电脑上需要配置好pytorch环境，和yolov8源码的下载

然后针对yolov8做自己的轻量化改进

二、下载Android Studio和ncnn-android-yolov8

1. Android Studio官网链接：

下载 Android Studio 和应用工具 - Android 开发者 | Android Developers

自行配置AS环境和JDK

我参考了这个：Android Studio 开发环境快速搭建（超详细）_配置android 开发环境-CSDN博客

（1）JDK下载：

官网站：https://www.oracle.com/technetwork/java/javase/downloads/jdk8-downloads-2133151.html

同意协议后，下载相应版本的JDK

（2）配置JDK及JAVA的环境

打开系统环境

打开计算机的属性/高级设置/环境变量/,

配置JAVA_HOME:

变量名：JAVA_HOME
变量值：JDK安装目录（复制jdk的路径，也就是我们前面安装JDK时设置的路径）

具体见那个链接

（3）安装cmake

注意安装的是cmake3.10版本。

手机安卓版本选择相应的安卓版本，我的是荣耀70，直接下载sdk,对应的是安卓14。

2. 下载ncnn-android-yolov8项目：

https://github.com/FeiGeChuanShu/ncnn-android-yolov8

3. 下载opencv-mobile和ncnn-android-vulkan

opencv-mobile：https://github.com/nihui/opencv-mobile
ncnn-android-vulkan：Releases · Tencent/ncnn · GitHub

将上面下载好的两个压缩包解压后放入该位置：ncnn-android-yolov8\app\src\main\jni\ 下

4.配置CMakeLists.txt文件
位置：ncnn-android-yolov8\app\src\main\jni\ ，

利用Android Studio打开CMakeLists.txt.，然后把下面的路径更改为自己下载的：

三、将自定义的数据集和改进后的模型windows训练好的pt文件转为onnx文件

具体在Ultralytics/demo.py 代码里面也有体现

# 将模型导出为 ONNX 格式from ultralytics import YOLOmodel = YOLO("best.pt")success = model.export(format="onnx", simplify=True, opset=12)

注意：

在安卓端使用demo项目在转换前需要对项目源码作出一些修改，修改具体见下面步骤。

待修改的内容在ncnn-android-yolov8-main/doc/中有显示，如使用检测任务则修改c2f.jpg和Detect.jpg两张图片上的内容。

也即在windows把ultralytics项目中的下列函数修改为：

文件路径：ultralytics/ultralytics/nn/modules/block.py

class C2f(nn.Module): # ...def forward(self, x):# 全部替换为x = self.cv1(x)x = [x, x[:, self.c:, ...]]x.extend(m(x[-1]) for m in self.m)x.pop(1)return self.cv2(torch.cat(x, 1))

文件路径：ultralytics/ultralytics/nn/modules/head.py

class Detect(nn.Module):# ...def forward(self, x):"""Concatenates and returns predicted bounding boxes and class probabilities."""shape = x[0].shape  # BCHWfor i in range(self.nl):x[i] = torch.cat((self.cv2[i](x[i]), self.cv3[i](x[i])), 1)if self.training:return xelif self.dynamic or self.shape != shape:self.anchors, self.strides = (x.transpose(0, 1) for x in make_anchors(x, self.stride, 0.5))self.shape = shape# 中间部分注释掉，return语句替换为return torch.cat([xi.view(shape[0], self.no, -1) for xi in x], 2).permute(0, 2, 1)

！记得保留原本的代码，这两处修改仅在格式转换时进行，如果想要重新训练，需要使用原本的代码。修改完成再执行模型格式转换的代码。

得到的文件类型为onnx格式，还需进一步转换为ncnn格式。使用一键转换 Caffe, ONNX, TensorFlow 到 NCNN, MNN, Tengine 即可

转换后会得到两个文件，分别以bin和param做后缀。使用yolov8模型已不再需要对param文件修改。两个文件即最终集成到android端的模型文件,

放到\ncnn-android-yolov8-main\ncnn-android-yolov8\app\src\main\assets