Passer au contenu

Application Android Ultralytics : Détection d'objets en temps réel avec les modèles YOLO

Aperçu de l'image Ultralytics HUB

GitHub Ultralytics espace LinkedIn Ultralytics espace Twitter Ultralytics espace YouTube Ultralytics espace TikTok Ultralytics espace BiliBili Ultralytics espace Discord Ultralytics

Google Play Store 

L'application Android Ultralytics est un outil puissant qui vous permet d'exécuter des modèles YOLO directement sur votre appareil Android pour la détection d'objets en temps réel. Cette application utilise TensorFlow Lite pour l'optimisation des modèles et divers délégués matériels pour l'accélération, ce qui permet une détection d'objets rapide et efficace.



Regarder : Démarrage avec l'application Ultralytics HUB (IOS & Android)

Quantification et accélération

Pour obtenir des performances en temps réel sur votre appareil Android, les modèles YOLO sont quantifiés en précision FP16 ou INT8 precision. La quantification est un processus qui réduit la précision numérique des poids et des biais du modèle, réduisant ainsi la taille du modèle et la quantité de calcul requise. Cela se traduit par des temps d'inférence plus rapides sans affecter de manière significative la accuracy du modèle.

Quantification FP16

La quantification FP16 (ou demi-précision) convertit les nombres à virgule flottante 32 bits du modèle en nombres à virgule flottante 16 bits. Cela réduit de moitié la taille du modèle et accélère le processus d'inférence, tout en maintenant un bon équilibre entre la précision et les performances.

Quantification INT8

La quantification INT8 (ou entier 8 bits) réduit davantage la taille du modèle et les besoins de calcul en convertissant ses nombres à virgule flottante 32 bits en entiers 8 bits. Cette méthode de quantification peut entraîner une accélération significative, mais elle peut entraîner une légère réduction de la précision moyenne moyenne (mAP) en raison de la précision numérique inférieure.

Réduction de la mAP dans les modèles INT8

La précision numérique réduite des modèles INT8 peut entraîner une certaine perte d'informations pendant le processus de quantification, ce qui peut entraîner une légère diminution de la mAP. Cependant, ce compromis est souvent acceptable compte tenu des gains de performances substantiels offerts par la quantification INT8.

Délégués et variabilité des performances

Différents délégués sont disponibles sur les appareils Android pour accélérer l'inférence du modèle. Ces délégués incluent le CPU, le GPU, Hexagon et NNAPI. Les performances de ces délégués varient en fonction du fabricant du matériel de l'appareil, de la gamme de produits et des chipsets spécifiques utilisés dans l'appareil.

  1. CPU : L’option par défaut, avec des performances raisonnables sur la plupart des appareils.
  2. GPU : Utilise le GPU de l'appareil pour une inférence plus rapide. Il peut fournir un gain de performance significatif sur les appareils dotés de GPU puissants.
  3. Hexagon : Exploite le DSP Hexagon de Qualcomm pour un traitement plus rapide et plus efficace. Cette option est disponible sur les appareils équipés de processeurs Qualcomm Snapdragon.
  4. NNAPI : L’API Neural Networks d’Android (NNAPI) sert de couche d’abstraction pour exécuter des modèles de ML sur les appareils Android. NNAPI peut utiliser divers accélérateurs matériels, tels que les CPU, les GPU et les puces d’IA dédiées (par exemple, l’Edge TPU de Google ou le Pixel Neural Core).

Voici un tableau présentant les principaux fournisseurs, leurs gammes de produits, les appareils populaires et les délégués pris en charge :

Fournisseur Gammes de produits Appareils populaires Délégués pris en charge
Qualcomm Snapdragon (par exemple, série 800) Samsung Galaxy S21, OnePlus 9, Google Pixel 6 CPU, GPU, Hexagon, NNAPI
Samsung Exynos (par exemple, Exynos 2100) Samsung Galaxy S21 (version globale) CPU, GPU, NNAPI
MediaTek Dimensity (par exemple, Dimensity 1200) Realme GT, Xiaomi Redmi Note CPU, GPU, NNAPI
HiSilicon Kirin (par exemple, Kirin 990) Huawei P40 Pro, Huawei Mate 30 Pro CPU, GPU, NNAPI
NVIDIA Tegra (par exemple, Tegra X1) NVIDIA Shield TV, Nintendo Switch CPU, GPU, NNAPI

Veuillez noter que la liste des appareils mentionnés n'est pas exhaustive et peut varier en fonction des chipsets et des modèles d'appareils spécifiques. Testez toujours vos modèles sur vos appareils cibles pour garantir la compatibilité et des performances optimales.

Gardez à l'esprit que le choix du délégué peut affecter les performances et la compatibilité du modèle. Par exemple, certains modèles peuvent ne pas fonctionner avec certains délégués, ou un délégué peut ne pas être disponible sur un appareil spécifique. Il est donc essentiel de tester votre modèle et le délégué choisi sur vos appareils cibles pour obtenir les meilleurs résultats.

Démarrage avec l'application Android Ultralytics

Pour commencer avec l’application Ultralytics Android, suivez ces étapes :

  1. Téléchargez l'application Ultralytics depuis le Google Play Store.

  2. Lancez l'application sur votre appareil Android et connectez-vous avec votre compte Ultralytics. Si vous n'avez pas encore de compte, créez-en un sur https://hub.ultralytics.com/.

  3. Une fois connecté, vous verrez une liste de vos modèles YOLO entraînés. Sélectionnez un modèle à utiliser pour la détection d'objets.

  4. Autorisez l'application à accéder à la caméra de votre appareil.

  5. Pointez la caméra de votre appareil sur les objets que vous souhaitez détecter. L'application affichera des boîtes englobantes et des étiquettes de classe en temps réel lors de la détection des objets.

  6. Explorez les paramètres de l'application pour ajuster le seuil de détection, activer ou désactiver des classes d'objets spécifiques, et bien plus encore.

Avec l'application Android Ultralytics, vous avez désormais la puissance de la détection d'objets en temps réel à l'aide des modèles YOLO à portée de main. Profitez de l'exploration des fonctionnalités de l'application et de l'optimisation de ses paramètres pour répondre à vos cas d'utilisation spécifiques.



📅 Créé il y a 1 an ✏️ Mis à jour il y a 4 mois

Commentaires