1、立项原因：传统YOLO目标检测算法多依托电脑端运行，设备依赖度高、便携性差，无法满足户外移动实时检测需求。现有移动端检测方案存在适配性弱、模型部署繁琐、多类别识别稳定性不足等问题，且缺少适配华为安卓设备的轻量化落地工具。本项目将80类通用YOLOV5s模型集成至安卓小程序，解决了AI目标检测依赖终端设备、无法离线便携检测的产品痛点，实现移动端高精度、低延迟的多类别目标自主检测。
2、行业场景：当前智能视觉检测广泛应用于安防巡检、日常场景识别、交通监测、民用智能感知等领域，行业对轻量化、便携式离线检测需求持续增长。传统云端、PC端检测模式成本高、灵活性差，难以适配现场移动作业场景。依托华为移动端硬件算力，本项目实现模型本地化部署，可适配多行业通用目标检测场景，适配民用及中小型场景轻量化智能检测需求，落地应用价值广泛。
1、本项目主要包含模型轻量化部署、实时视频流检测、图像目标识别、设备适配运行、检测结果可视化五大核心功能模块。
2、项目基于安卓平台开发小程序，完成YOLOv5s八十类通用目标检测模型的移动端适配与移植优化，适配华为手机设备运行环境。支持手机摄像头实时画面采集，可对生活、交通、安防等八十类常见目标进行实时检测、分类与定位。程序具备低延迟识别能力，可实时框选检测目标并展示对应类别信息，支持移动端离线运行，无需依赖电脑与云端设备。同时搭载设备兼容适配模块，针对华为手机完成调试、安装、测试运行，优化模型推理速度，解决移动端模型卡顿、识别不准等问题，实现轻量化、便携化、高精度的移动端AI智能目标检测功能。
1、本人全程负责本项目核心开发与落地工作，主要任务包括调研移动端AI部署方案，完成YOLOv5s 80类目标检测模型的轻量化转换与适配，独立开发安卓小程序程序，搭建移动端检测运行架构。同时完成华为手机设备的环境适配、程序安装、功能调试与整机运行测试，排查部署适配过程中的各类问题。
2、项目技术栈采用PyTorch模型训练优化、YOLOv5深度学习算法、安卓移动端开发技术，依托端侧离线推理架构。项目难点在于高精度模型移动端移植后易出现推理卡顿、兼容性差、精度损耗问题。核心亮点为成功将80类通用检测模型轻量化部署至手机，无需云端支持，在华为移动端实现低延迟、高准确率的实时目标检测，完成端侧AI算法的轻量化落地应用。
评论