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)](#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](#1. 前言)

[2. 人脸检测和行人检测数据集说明](#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](#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](#（1） Android端上部署模型)

[（2）一些异常错误解决方法](#（2）一些异常错误解决方法)

[5. 人脸检测和行人检测效果](#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:

|-------------|----------------|---------------|------------|-------------|------------------|
| 模型 | input-size | params(M) | GFLOPs | mAP_0.5 | mAP_0.5:0.95 |
| YOLOv8n | 416×416 | 3.15M | 3.7 | 0.97046 | 0.79315 |
| YOLO11n | 416×416 | 2.62M | 2.7 | 0.97001 | 0.79531 |
| YOLO26n | 416×416 | 2.41M | 2.3 | 0.97002 | 0.79009 |

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：

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
人脸检测和行人检测3：C/C++实现YOLOv8 YOLO11 YOLO26 人脸检测和人体检测(含源码，可实时检测) https://blog.csdn.net/guyuealian/article/details/164629582
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) https://blog.csdn.net/guyuealian/article/details/164629596

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

python 复制代码

# -*- 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

bash 复制代码

# 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

java 复制代码

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：

提供YOLOv8n / YOLO11n / YOLO26n版本的人脸检测和人体检测模型(MNN)，

Android Demo源码支持CPU和GPU运行，CPU(4线程)YOLO26n 约40ms左右，GPU OpenCL约20ms左右

Android Demo支持图片，视频，摄像头测试

OpenCV+base-utils+MNN所有依赖库都已经配置好，可直接build构建APP运行

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)