在大型语言模型（LLMs）兴起之前，边缘 AI 是一个热门话题，这得益于其在设备上直接运行机器学习模型的显著能力。这并不是说这个话题已经失去了相关性；事实上，许多科技巨头现在正将注意力转向在移动平台上部署 LLMs。
虽然我们今天不会讨论生成性 AI，但我们将重新审视经典的计算机视觉任务——目标检测。这篇博客提供了一个全面的教程，介绍如何将 Ultralytics 的最新 YOLOv10 目标检测模型转换和量化为 LiteRT（前称 TensorFlow Lite）格式，在生成的 LiteRT 模型上运行推理，并将其部署在 Android 上进行实时检测。
如果你有目标检测和在设备上部署模型的经验，你可能想知道为什么 MobileNet SSD 或 EfficientDet Lite 不是最佳选择。原因如下：
为什么选择 YOLOv10 而不是其他？
虽然 MobileNet SSD 和 EfficientDet Lite 表现良好，但它们在检测较小物体时存在困难。然而，YOLOv10 可以快速有效地检测到较小的物体。
在我们开始之前，让我们简要了解一下 YOLOv10 模型以及 LiteRT 是什么。
YOLOv10
作为 YOLO 模型家族的高级版本，YOLOv10 是实时目标检测任务的最新首选。其增强的架构和训练技术使其特别适合边缘部署。
YOLOv10 模型变体
在所有变体中，纳米版本（YOLOv10-N）最适合移动部署，因为它能够在资源受限的环境中运行。在此处了解更多关于 YOLOv10 的信息。
注意：我们将使用在 COCO 数据集上训练过的预训练 YOLOv10-N 模型。
LiteRT
LiteRT，前称 TensorFlow Lite，是 Google 的高性能设备上 AI 运行时。它允许你轻松地将 TensorFlow、PyTorch 和 JAX 模型转换并以 TFLite 格式运行。现在你已经有了概览，让我们深入编码部分。这是我们项目的流程：
流程：在 Android 上将 YOLOv10-N 转换为 LiteRT
步骤 1：模型转换
几年前，将 YOLO 模型转换为 TF Lite 是相当具有挑战性的，因为模型的复杂步骤和显著的架构差异。然而，现在情况已不再如此，因为 Ultralytics 现在为你处理了所有的繁重工作。
通过克隆此仓库开始获取全部代码：https://github.com/NSTiwari/YOLOv10-LiteRT-Android
# Install Ultralytics.
!pip install ultralytics
# Load the YOLOv10n model.
model = YOLO("yolov10n.pt")
# Export the model to LiteRT (TF Lite) format.
model.export(format="tflite")export() 函数接受以下参数：
- format：模型的输出格式，如 tflite、onnx、tfjs、openvino、torchscript 等。
- imgsz：模型输入的期望图像大小（高度、宽度）。默认为 640 x 640。
- int8：启用模型的 INT8 量化以加快推理速度。默认设置为 false。
你可以根据用例调整许多其他参数，但上面提到的参数现在应该足够好了。在仅仅两行代码中，你可以完全将 YOLO PyTorch 模型转换为 LiteRT 格式。以下是转换过程的背景：PyTorch → ONNX 图 → TensorFlow SavedModel → LiteRT。
步骤 2：解释 LiteRT 模型
Google AI Edge 提供了模型探索器，这是一个类似于 Netron 的模型可视化工具，提供对模型图和架构的详细洞察。
# Install Model Explorer.
!pip install ai-edge-model-explorer
LITE_RT_EXPORT_PATH = "yolov10n_saved_model/" # @param {type : 'string'}
LITE_RT_MODEL = "yolov10n_float16.tflite" # @param {type : 'string'}
LITE_RT_MODEL_PATH = LITE_RT_EXPORT_PATH + LITE_RT_MODEL
# Load the LiteRT model in Model Explorer.
model_explorer.visualize(LITE_RT_MODEL_PATH)
在模型探索器上可视化的 yolov10_float16.tflite
如果你查看输出张量，你会看到只有一个节点（Identity），形状为 [1, 300, 6]，与 MobileNet SSD 模型不同，后者通常有四个输出张量。你也可以使用 AI Edge LiteRT 库来解释模型。
# Install Google AI Edge LiteRT
!pip install ai-edge-litert
# Load the TF Lite model.
interpreter = Interpreter(model_path = LITE_RT_MODEL_PATH)
interpreter.allocate_tensors()
# Get input and output details.
input_details = interpreter.get_input_details()
output_details = interpreter.get_output_details()
print(f"Model input size: {input_size}")
print(f"Output tensor shape: {output_details[0]['shape']}")模型输入大小为 640，输出张量形状 [1, 300, 6] 表示批次大小（1）、每张图片的最大检测数量（300）以及值 [xmin, ymin, xmax, ymax, score, class]。
步骤 3：推理转换后的 LiteRT 模型
现在是推理时间。现在我们已经解释了模型的架构，我们可以继续在 Python 上使用 OpenCV 进行推理。
注意：导出的 LiteRT 模型的结果需要后处理，包括归一化边界框坐标并将类 ID 映射到相应的标签。
在 Colab 笔记本中，我包含了一些实用函数来处理所有必需的后处理步骤。
def detect(input_data, is_video_frame=False):
input_size = input_details[0]['shape'][1]
if is_video_frame:
original_height, original_width = input_data.shape[:2]
image = cv2.cvtColor(input_data, cv2.COLOR_BGR2RGB)
image = cv2.resize(image, (input_size, input_size))
image = image / 255.0
else:
image, (original_height, original_width) = load_image(input_data, input_size)
interpreter.set_tensor(input_details[0]['index'], np.expand_dims(image, axis=0).astype(np.float32))
interpreter.invoke()
output_data = [interpreter.get_tensor(detail['index']) for detail in output_details]
return output_data, (original_height, original_width)
# Postprocess the output.
def postprocess_output(output_data, original_dims, labels, confidence_threshold):
output_tensor = output_data[0]
detections = []
original_height, original_width = original_dims
for i in range(output_tensor.shape[1]):
box = output_tensor[0, i, :4]
confidence = output_tensor[0, i, 4]
class_id = int(output_tensor[0, i, 5])
if confidence > confidence_threshold:
x_min = int(box[0] * original_width)
y_min = int(box[1] * original_height)
x_max = int(box[2] * original_width)
y_max = int(box[3] * original_height)
label_name = labels.get(str(class_id), "Unknown")
detections.append({
"box": [y_min, x_min, y_max, x_max],
"score": confidence,
"class": class_id,
"label": label_name
})
return detectionsColab 笔记本支持对图像和视频进行推理。以下是我获得的一些结果。
在图像上的推理
在图像上的推理
在视频上的推理
令人印象深刻的是，转换后的 LiteRT 模型在量化后仍然表现出色，有效地检测到即使是很小的物体。现在，我们准备将模型部署在 Android 上进行设备上推理。
步骤 4：在 Android 上部署模型
在步骤 1 中，我们克隆了仓库来运行 Colab 笔记本，其中也包括了一个示例 Android 应用。笔记本中的最后一步让你可以下载 LiteRT 模型。下载后，将其复制到 Android 应用的 assets 文件夹中。默认文件名为 yolov10n_float16.tflite。如果你使用不同的文件名，请确保相应地更新 Constants.kt 文件中的第 4 行。
// Change this with your TF Lite model name.
const val MODEL_PATH = "yolov10n_float16.tflite" Detector.kt 文件包含执行推理的逻辑，以及提取检测到的对象的边界框、置信度得分和标签。
// Detects the objects.
class Detector(
private val context: Context,
private val modelPath: String,
private val labelPath: String?,
private val detectorListener: DetectorListener,
private val message: (String) -> Unit
) {
private var interpreter: Interpreter
private var labels = mutableListOf<String>()
private var tensorWidth = 0
private var tensorHeight = 0
private var numChannel = 0
private var numElements = 0
private val imageProcessor = ImageProcessor.Builder()
.add(NormalizeOp(INPUT_MEAN, INPUT_STANDARD_DEVIATION))
.add(CastOp(INPUT_IMAGE_TYPE))
.build()
init {
val options = Interpreter.Options().apply{
this.setNumThreads(4)
}
val model = FileUtil.loadMappedFile(context, modelPath)
interpreter = Interpreter(model, options)
labels.addAll(extractNamesFromMetadata(model))
if (labels.isEmpty()) {
if (labelPath == null) {
message("Model not contains metadata, provide LABELS_PATH in Constants.kt")
labels.addAll(MetaData.TEMP_CLASSES)
} else {
labels.addAll(extractNamesFromLabelFile(context, labelPath))
}
}
labels.forEach(::println)
val inputShape = interpreter.getInputTensor(0)?.shape()
val outputShape = interpreter.getOutputTensor(0)?.shape()
if (inputShape != null) {
tensorWidth = inputShape[1]
tensorHeight = inputShape[2]
// If in case input shape is in format of [1, 3, ..., ...]
if (inputShape[1] == 3) {
tensorWidth = inputShape[2]
tensorHeight = inputShape[3]
}
}
if (outputShape != null) {
numElements = outputShape[1]
numChannel = outputShape[2]
}
}
// Extracts bounding box, label, confidence.
private fun bestBox(array: FloatArray) : List<BoundingBox> {
val boundingBoxes = mutableListOf<BoundingBox>()
for (r in 0 until numElements) {
val cnf = array[r * numChannel + 4]
if (cnf > CONFIDENCE_THRESHOLD) {
val x1 = array[r * numChannel]
val y1 = array[r * numChannel + 1]
val x2 = array[r * numChannel + 2]
val y2 = array[r * numChannel + 3]
val cls = array[r * numChannel + 5].toInt()
val clsName = labels[cls]
boundingBoxes.add(
BoundingBox(
x1 = x1, y1 = y1, x2 = x2, y2 = y2,
cnf = cnf, cls = cls, clsName = clsName
)
)
}
}
return boundingBoxes
}之后，OverlayView.kt 归一化边界框坐标并将它们叠加在摄像头流上以可视化结果。
class OverlayView(context: Context?, attrs: AttributeSet?) : View(context, attrs) {
private var results = listOf<BoundingBox>()
private val boxPaint = Paint()
private val textBackgroundPaint = Paint()
private val textPaint = Paint()
private var bounds = Rect()
private val colorMap = mutableMapOf<String, Int>()
init {
initPaints()
}
fun clear() {
results = listOf()
textPaint.reset()
textBackgroundPaint.reset()
boxPaint.reset()
invalidate()
initPaints()
}
private fun initPaints() {
textBackgroundPaint.color = Color.WHITE
textBackgroundPaint.style = Paint.Style.FILL
textBackgroundPaint.textSize = 42f
textPaint.color = Color.WHITE
textPaint.style = Paint.Style.FILL
textPaint.textSize = 42f
}
override fun draw(canvas: Canvas) {
super.draw(canvas)
results.forEach { boundingBox ->
// Get or create a color for this label
val color = getColorForLabel(boundingBox.clsName)
boxPaint.color = color
boxPaint.strokeWidth = 8F
boxPaint.style = Paint.Style.STROKE
val left = boundingBox.x1 * width
val top = boundingBox.y1 * height
val right = boundingBox.x2 * width
val bottom = boundingBox.y2 * height
canvas.drawRoundRect(left, top, right, bottom, 16f, 16f, boxPaint)
val drawableText = "${boundingBox.clsName} ${Math.round(boundingBox.cnf * 100.0) / 100.0}"
textBackgroundPaint.getTextBounds(drawableText, 0, drawableText.length, bounds)
val textWidth = bounds.width()
val textHeight = bounds.height()
val textBackgroundRect = RectF(
left,
top,
left + textWidth + BOUNDING_RECT_TEXT_PADDING,
top + textHeight + BOUNDING_RECT_TEXT_PADDING
)
textBackgroundPaint.color = color // Set background color same as bounding box
canvas.drawRoundRect(textBackgroundRect, 8f, 8f, textBackgroundPaint)
canvas.drawText(drawableText, left, top + textHeight, textPaint)
}
}
private fun getColorForLabel(label: String): Int {
return colorMap.getOrPut(label) {
// Generate a random color or you can use a predefined set of colors
Color.rgb((0..255).random(), (0..255).random(), (0..255).random())
}
}
fun setResults(boundingBoxes: List<BoundingBox>) {
results = boundingBoxes
invalidate()
}
companion object {
private const val BOUNDING_RECT_TEXT_PADDING = 8
}
}最后，在 Android Studio 中打开项目，构建它，然后将手机连接起来安装应用。这是 Android 上的最终输出。推理时间接近 300 毫秒。
Android 上的实时目标检测
