人脸检测和行人检测4：Android实现YOLOv8 YOLO11 YOLO26人脸检测和人体检测(含源码，可实时检测)

人脸检测和行人检测4：Android实现YOLOv8 YOLO11 YOLO26人脸检测和人体检测(含源码，可实时检测)

目录

人脸检测和行人检测4：Android实现YOLOv8 YOLO11 YOLO26人脸检测和人体检测(含源码，可实时检测)

1. 前言

2. 人脸检测和行人检测数据集说明

3. 人脸检测和人体检测检测模型

（1）模型训练

（2）将Pytorch模型转换ONNX和MNN模型

4.人脸检测和行人检测模型Android部署​​

（1） Android端上部署模型

（2） 一些异常错误解决方法

5. 人脸检测和行人检测效果

6.项目源码下载

1. 前言

这是项目《人脸检测和行人检测》系列之《Android实现YOLOv8 YOLO11 YOLO26人脸检测和人体检测》；本篇主要分享将Python训练后的YOLOv8 YOLO11 YOLO26的人脸和行人(人体)检测模型移植到Android平台。我们将开发一个简易的、可实时运行的人脸人体(行人)检测Android Demo。

Android版本的人脸检测和行人检测，模型推理支持CPU和GPU加速，在GPU(OpenCL)加速下，可以达到实时的检测效果，CPU(4线程)约40ms左右，GPU约20ms左右 ，基本满足业务的性能需求。下表格给YOLOv8n / YOLO11n / YOLO26n计算量和参数量以及其人脸检测和行人检测精度:

 先展示一下Android Demo人脸检测和行人(人体)检测的效果

 Android人脸和行人(人体)APP Demo体验：https://download.csdn.net/download/guyuealian/93441570

【尊重原创，转载请注明出处】https://blog.csdn.net/guyuealian/article/details/164629596

更多项目《人脸检测和行人检测》系列文章请参考：

 如果需要进行人像分割，实现一键抠图效果，请参考文章：《一键抠图Portrait Matting人像抠图 (C++和Android源码)》

2. 人脸检测和行人检测数据集说明

目前收集VOC，COCO和MPII数据集，总数据量约10W左右，可用于人体(行人)检测模型算法开发。这三个数据集都标注了人体检测框，但没有人脸框，考虑到很多项目业务需求，需要同时检测人脸和人体框；故已经将这三个数据都标注了person和face两个标签，以便深度学习目标检测模型训练。

关于人脸人体检测数据集使用说明和下载，详见另一篇博客说明：请参考《人脸检测和人体检测(行人检测)1：人脸检测和人体检测数据集(含下载链接)》：人脸检测和人体检测(行人检测)1：人脸检测和人体检测数据集(含下载链接)

3. 人脸检测和人体检测检测模型

（1）模型训练

人脸检测和人体检测训练过程，请参考：《人脸检测和行人检测2：YOLOv8 YOLO11 YOLO26 实现人脸检测和行人检测(含数据集和训练代码)》https://blog.csdn.net/guyuealian/article/details/164620332

下表格给YOLOv8n / YOLO11n / YOLO26n计算量和参数量以及其人脸检测和行人检测精度:

（2）将Pytorch模型转换ONNX和MNN模型

训练好模型后，你需要将Pytorch模型转换为ONNX和MNN模型，转换脚本工具export.py：

需要安装依赖库： pip install onnx onnxsim onnxruntime mnn  

# -*- coding: utf-8 -*-
import os
import argparse
import numpy as np
from ultralytics import YOLO

def export_model(weights, format="mnn", imgsz=640, dynamic=False, half=False, int8=False):
"""
https://docs.ultralytics.com/modes/export/
:param format: onnx,ncnn,mnn,rknn
:return:
"""
model = YOLO(weights)
kwargs = {"dynamic": dynamic, "half": half, "int8": int8, "name": "", "imgsz": imgsz}
if format in ['mnn', 'rknn']: kwargs["dynamic"] = False # argument 'dynamic' is not supported for format='mnn'
if format in ['rknn']:
file = model.model_name
dirn, name = os.path.dirname(file), os.path.basename(file).split('.')[0]
os.makedirs(os.path.join(f"{name}_rknn_model", dirn), exist_ok=True) # 创建rknn模型目录
# TODO RKNN默认float16,所以half=False，可支持int8，但validate_args会报错，需要修改源码不检查
kwargs.update(half=False, int8=True, name="rk3588", source="./images.txt")
print("export format :{}, kwargs:{}".format(format, kwargs))
file = model.export(format=format, simplify=True, opset=15, **kwargs)
print("export file :{}".format(file))
return file

def parse_opt():
# weights = "data/model/pretrained/yolov8n.pt"
weights = "data/model/pretrained/yolo11n.pt"
# weights = "data/model/pretrained/yolo26n.pt"
parser = argparse.ArgumentParser()
parser.add_argument('–weights', type=str, default=weights, help='model file')
parser.add_argument('–imgsz', type=int, default=416, help='input image size')
parser.add_argument('–format', type=str, default="onnx", help='save result image')
opt = parser.parse_args()
return opt

if __name__ == "__main__":
"""
python libs/export.py –weights "data/model/pretrained/yolo11n.pt" –imgsz 416 –format onnx
"""
opt = parse_opt()
export_model(opt.weights, format=opt.format, imgsz=opt.imgsz)

在终端运行执行命令，转换ONNX和MNN模型

# TODO 转换为onnx模型
python libs/export.py –weights "data/model/pretrained/yolo11n.pt" –imgsz 416 –format onnx

# TODO 转换为mnn模型
python libs/export.py –weights "data/model/pretrained/yolo11n.pt" –imgsz 416 –format mnn

4.人脸检测和行人检测模型Android部署​​

（1） Android端上部署模型

项目实现了Android版本的人脸检测和行人检测Demo，部署框架采用MNN，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源码核心算法部分均采用C++实现，上层通过JNI接口调用

package com.cv.dl.model;

import android.graphics.Bitmap;

public class Detector {

static {
System.loadLibrary("cvdl-lib");
}

/***
* 初始化检测模型
* @param root：模型文件的根目录，放在assets文件夹下
* @param det_model： 检测模型
* @param rec_model： 识别模型(可选)
* @param model_type：模型类型
* @param num_thread：开启线程数
* @param useGPU：是否开启GPU进行加速
*/
public static native void init(String root, String det_model, String rec_model, int model_type, int num_thread, boolean useGPU);

/***
* 进行检测(用于静态图)
* @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YOLO模型，你可将训练好的Pytorch模型转换成TNN模型，然后把TNN模型代替你模型即可。

（2） 一些异常错误解决方法

项目开发常见的问题，请参考：Android项目常见问题解决办法

5. 人脸检测和行人检测效果

 【Android APP体验】https://download.csdn.net/download/guyuealian/93441570

APP在普通Android手机上可以达到实时的人脸检测和行人检测效果，CPU(4线程)约30ms左右，GPU约25ms左右 ，基本满足业务的性能需求。

6.项目源码下载

 【Android APP体验】https://download.csdn.net/download/guyuealian/93441570

如需下载项目源码，请关注【AI吃大瓜】，回复【人脸检测和人体检测】即可下载

Android项目源码内容包含：