学习-PaddleDetection学习1——使用Paddle-Lite在 Android 上实现实时的目标检测功能_游戏逆向|游戏安全|yxfzedu.com

【学习-PaddleDetection学习1——使用Paddle-Lite在 Android 上实现实时的目标检测功能】此文章归类为：["学习","android","目标检测","人工智能","paddle"]。

1 环境准备

1.1 安装Android Studio

参考安装教程创建目录：
GAndroidFile：程序安装文件存放位置
GAndroidProject：项目文件存放位置
jdk：JAVA JDK安装包文件存放位置
sdk：Android SDK文件存放位置

1.1.1 安装JAVA JDK

根据电脑的操作系统下载对应的JDK，下载地址： JAVA JDK
双击进行安装，安装地址修改为前文所创建的jdk目录。

（1）下载地址： Android Studio
在这里插入图片描述
（2）双击下载的android-studio-2023.1.1.27-windows.exe。
（3）勾选上Android virtual Device(虚拟机安装文件，建议勾选)。
（4）选择安装路径GAndroidFile。
（5）安装完成后，提示找不到Android sdk列表，选择Cancel(退出)
（6）选择之前创建好的sdk路径安装Android sdk。

1.1.3 Android Studio 配置NDK

据 Android Studio 用户指南中的安装及配置 NDK 和 CMake 内容，预先配置好 NDK。选择最新的 NDK 版本，或者使用 Paddle Lite 预测库版本一样的 NDK。

1.2 Android 手机

准备一部 Android 手机，并开启 USB 调试模式。开启方法: 手机设置 -> 查找开发者选项 -> 打开开发者选项和 USB 调试模式 。

2 部署步骤

参考目标检测 C++ API Demo 使用指南

2.1 下载Paddle-Lite-Demo

下载链接
目标检测 Demo 位于 Paddle-Lite-Demo/object_detection/android/app/cxx/yolo_detection_demo 目录

2.2 打开 yolo_detection_demo项目

2.2.1 修改build.gradle，配置国内镜像仓库

将原工程build.gradle文件中的

repositories {
    google()
    jcenter()
 全部替换成对应的国内镜像加速仓库，修改后文件如下 
 // Top-level build file where you can add configuration options common to all sub-projects/modules.
buildscript {
    repositories {
        maven {
     url 'https://maven.aliyun.com/repository/google/' }
        maven {
     url 'https://maven.aliyun.com/repository/jcenter/'}
    dependencies {
        classpath 'com.android.tools.build:gradle:3.4.0'
        // NOTE: Do not place your application dependencies here; they belong
        // in the individual module build.gradle files
allprojects {
    repositories {
        maven {
     url 'https://maven.aliyun.com/repository/google/' }
        maven {
     url 'https://maven.aliyun.com/repository/jcenter/'}
task clean(type: Delete) {
    delete rootProject.buildDir
  
 在导入项目、编译或者运行过程中遇到 NDK 配置错误的提示，请打开 File > Project Structure > SDK Location，修改 Andriod NDK location 为本机配置的 NDK 所在路径。 
 （如是是通过 Andriod Studio 的 SDK Tools 下载的 NDK，可以直接点击下拉框选择默认路径。 还有一种 NDK 配置方法，可以在 yolo_detection_demo/local.properties 文件中手动完成 NDK 路径配置，如下图所示。如果以上步骤仍旧无法解决 NDK 配置错误，请尝试根据 Andriod Studio 官方文档中的更新 Android Gradle 插件章节，尝试更新Android Gradle plugin版本。）
  
 2.2.3 gradle.properties文件配置
 
 问题：Unable to make field private final java.lang.String java.io.File.path accessible: module java.base does not “opens java.io” to unnamed module
 在项目的gradle.properties文件，在org.gradle.jvmargs配置进行修改： 
 -add-exports=java.base/sun.nio.ch=ALL-UNNAMED \
  --add-opens=java.base/java.lang=ALL-UNNAMED \
  --add-opens=java.base/java.lang.reflect=ALL-UNNAMED -\
  -add-opens=java.base/java.io=ALL-UNNAMED \
  --add-exports=jdk.unsupported/sun.misc=ALL-UNNAMED
 2.2.4 NDK版本选择
 
 问题：invalid local symbol '__bss_start__' in global part of symbol table
 NDK版本不同导致的，我这里用的是NDK版本是26.1.10909125，改为21.1.6352462后就能编译通过了。用第三方编译好了的库文件还有版本匹配的风险。
  
 2.3 部署模型到移动端
 
 手机连接电脑，打开 USB 调试和文件传输模式，并在 Android Studio 上连接自己的手机设备（手机需要开启允许从 USB 安装软件权限）
 
 点击 Run 按钮，自动编译 APP 并安装到手机。(该过程会自动下载 Paddle Lite 预测库和模型，需要联网) 成功后效果如下，图一：APP 安装到手机 图二： APP 打开后的效果，会自动识别图片中的物体并标记。 
 
 平均预测时间178ms。
  
 2.4 更新预测库支持FP16
 
 2.4.1 下载预测库
 
 下载文件名带fp16的预测库。
  
 2.4.2 替换java 库
 
 （1）jar包
 下载的预测库解压后将inference_lite_lib.android.armv8.clang.c++_shared.with_extra.with_cv.arm82_fp16\java\jar\PaddlePredictor.jar
 替换 Demo 中的 Paddle-Lite-Demo/object_detection/andrdoid/app/cxx/picodet_detection_demo/app/PaddleLite/java/PaddlePredictor.jar
 （2）Java so
 inference_lite_lib.android.armv8.clang.c++_shared.with_extra.with_cv.arm82_fp16\java\so\libpaddle_lite_jni.so替换 Demo 中的 Paddle-Lite-Demo/object_detection/andrdoid/app/cxx/picodet_detection_demo/app/PaddleLite/java/libs/arm64-v8a/libpaddle_lite_jni.so 
 2.4.3 替换c++库
 
 （1）inference_lite_lib.android.armv8.clang.c++_shared.with_extra.with_cv.arm82_fp16\cxx\include替换 Demo 中的 Paddle-Lite-Demo/object_detection/andrdoid/app/cxx/picodet_detection_demo/app/PaddleLite/cxx/include
 （2）inference_lite_lib.android.armv8.clang.c++_shared.with_extra.with_cv.arm82_fp16\cxx\lib\libpaddle_lite_api_shared.so 库替换 Demo 中的 Paddle-Lite-Demo/object_detection/andrdoid/app/cxx/picodet_detection_demo/app/PaddleLite/cxx/libs/arm64-v8a/libpaddle_lite_api_shared.so 
 2.4.4 模型优化（FP16）
 
 （1）下载 yolov3_mobilenet_v3模型，并解压
  
 
 （2）使用Paddle-Lite的opt工具可以对inference模型进行优化。 
 paddle_lite_opt \
--model_file=yolov3_mobilenet_v3/__model__ \
--param_file=yolov3_mobilenet_v3/__params__ \
--optimize_out=output_inference/yolov3_mobilenet_v3_fp16/model \
--valid_targets=arm\
--enable_fp16=true
 将生成的yolov3_mobilenet_v3_fp16文件夹拷贝到yolo_detection_demo\app\src\main\assets\models目录下
 修改配置文件后运行。
 
 平均预测时间87ms。
  
2.2.2 NDK 配置错误问题