目录
前言
本文详细介绍了YOLOv11模型在安卓设备上的NCNN部署过程,包括环境配置、数据准备、模型训练、导出转换以及安卓端部署的完整流程。
项目参考GitHub开源:https://github.com/gaoxumustwin/ncnn-android-yolov11
性能表现:
-
安卓设备CPU模式下可稳定运行在20帧左右
-
检测精度可通过增加训练轮数进一步提升
技术背景:
本项目基于
目录

本文详细介绍了YOLOv11模型在安卓设备上的NCNN部署过程,包括环境配置、数据准备、模型训练、导出转换以及安卓端部署的完整流程。
项目参考GitHub开源:https://github.com/gaoxumustwin/ncnn-android-yolov11
性能表现:
安卓设备CPU模式下可稳定运行在20帧左右
检测精度可通过增加训练轮数进一步提升
技术背景:
本项目基于
YOLOv11模型PT转NCN全流程。
YOLOv11作为YOLO系列的最新变种,其高效的检测性能备受关注。将PyTorch模型转换为NCNN格式可显著提升移动端和嵌入式设备的部署效率。以下是完整的转换流程和优化方法。安装必要的工具链是转换的基础。需要PyTorch 1.8以上版本、NCNN最新代码库和ONNX 1.13.0以上版本。加载YOLOv11的PT模型并转换为ONNX格式是关键步骤。
【YOLO部署Android安卓手机APP】YOLO11部署到安卓实时目标检测识别——以火焰烟雾目标检测识别举例(可自定义更换其他目标)
本项目基于YOLOv11部署到手机APP实现对火焰烟雾的检测识别,当然,以此你可以按照本项目开发步骤扩展更换为其他目标进行检测,例如更换为车牌、手势、人脸面部活动、人脸表情、火焰烟雾、行人、口罩、行为、水果、植物、农作物等等部署手机APP进行检测。本文为详细设计/配置文档,包含完整所需的环境配置搭建,项目工程配置步骤等,手把手记录使用pycharm和Android studio的工程开发过程,实现YOLO部署到安卓。实战开发,亲测无误。演示视频训练了50轮进行了展示(为演示,训练轮数较少,你可以训练轮数多些
使用 YOLOv11 在 Android 中实时进行物体检测(教程含源码)
Ultralytics YOLOv11 ( You Only Look Once传奇中的最新里程碑)于几个月前发布,具有高检测精度和令人印象深刻的性能。这使其成为开发尖端实时移动应用程序的绝佳选择。在这篇文章中,我将展示如何通过调整规范的TensorFlow lite 对象检测应用程序演示来将 YOLOv11 对象检测器集成到原生 Android 应用程序中,以包含 YOLOv11 导出的 TensorFlow lite 模型。我的演示应用程序的源代码(文章底部)。
YOLO11移动端部署实战:NCNN框架转换与Android运行全解析
本文介绍了YOLO11模型在移动端的部署方案,重点分析了NCNN框架的优势及其环境配置方法。YOLO11作为新一代实时目标检测模型,通过多种规模变体满足不同场景需求,尤其YOLO11n和YOLO11s适合移动端部署。针对移动端资源受限的特点,提出了模型轻量化、专用推理框架和硬件加速等解决方案。详细阐述了NCNN框架的跨平台支持、ARM指令优化等核心优势,并提供了完整的Linux环境配置步骤,包括基础依赖安装、Python虚拟环境搭建、NCNN源码编译及模型转换工具链配置。这些方法为开发者实现高效的移动端YO
从 PC 到边缘设备,我是怎么一步步把 YOLOv11 跑起来的(含部署兼容坑点)
YOLOv11 凭借其高精度和模块结构创新,在实验室环境下性能表现出色,但一旦涉及到真实项目中的边缘部署,诸如模型转换、设备兼容、内存瓶颈与加速链路适配等问题接踵而至。本文从开发者实战视角出发,系统记录了我如何将一版训练完成的 YOLOv11 模型,逐步部署到 Jetson、RK3588 和 Android 端,过程中遇到的关键坑点与应对方案也一并复盘。希望这套流程与踩坑笔记,能为在部署阶段卡住的开发者提供一条可落地、可调试、可演进的 YOLOv11 推理落地路径。
YOLOv10改进 | 主干篇 | YOLOv10引入华为移动端模型Ghostnetv2替换Backbone
在本文中,我们提出了一种硬件友好的注意力机制(称为 DFC 注意力),然后为移动应用程序提出了一种新的 GhostNetV2 架构。此外,GhostNetV2的设计还包括了下采样操作,以减少特征的大小,从而在较小的特征上应用DFC注意力,并通过上采样操作将其恢复至原始大小。到此本文的正式分享内容就结束了,在这里给大家推荐我的YOLOv10改进有效涨点专栏,后期我会根据各种最新的前沿顶会进行论文复现,也会对一些老的改进机制进行补充,如果大家觉得本文帮助到你了,订阅本专栏,关注后续更多的更新~
移动端开发指南:YOLOv11在Android平台的实时AR物体识别实现.pdf
该文档【移动端开发指南:YOLOv11在Android平台的实时AR物体识别实现】共计 53 页,文档支持目录章节跳转同时还支持阅读器左侧大纲显示和章节快速定位,文档内容完整、条理清晰。文档内所有文字、图表、目录等元素均显示正常,无任何异常情况,敬请您放心查阅与使用。文档仅供学习参考,请勿用作商业用途。还在为目标检测的低效和高成本发愁吗?它凭借独特的单阶段检测算法,只需对图像进行一次扫描,就能迅速精准地识别出多个目标,速度远超传统方法。不仅如此,YOLO在精度上也毫不逊色,无论是小目标还是复杂场景下的目标,都能被它敏锐捕捉。在安防监控、自动驾驶、工业检测等众多领域,YOLO都已大显身手。选择YOLO,就是选择高效、精准的目标检测解决方案,开启智能新时代!
工业安全生产 AI 视频分析与隐患识别平台技术方案
工业安全生产 AI 视频分析与隐患识别平台技术方案2026 年是我国安全生产专项整治三年行动巩固提升的收官之年,也是 "十四五" 安全生产规划全面落地的关键节点。国家应急管理部最新发布的《"工业互联网 + 安全生产" 行动计划(2026-2028 年)》明确提出,到 2028 年底,全国规模以上工业企业安全生产数字化覆盖率要达到 95% 以上,高危行业企业要 100% 建成智能化安全监测预警系统。国务院安委会印发的《关于进一步加强安全生产隐患排查治理体系建设的指导意见》要求,所有化工、矿山、建筑施工等高危行
HITS算法详解及代码实现
占坑
5分钟搞定!用扣子空间LinkReaderPlugin快速搭建网页内容抓取机器人(附Python复现代码)
本文详细介绍了如何利用扣子空间的LinkReaderPlugin快速搭建网页内容抓取机器人,仅需5分钟即可完成配置。通过Python复现代码和可视化工作流,开发者可以轻松实现智能网页抓取,提升数据采集效率。文章还探讨了与RAG工作流的集成方案及性能优化技巧,适用于金融监控、电商追踪等多种场景。
Unity——Scroll View 滑动居中、居中的放大、其他的缩小(支持横竖Scroll View)
一、效果 二、上代码,两种方式。 (第一种是在Update中用插值完成的,如果不想再项目中看到Update,下面的另一种改了一段用DoTween实现的,需要导入一下DoTween) using System; using System.Collections; using System.Collections.Generic; using UnityEngine; using Unit...
大数据工程中的数据血缘分析工具比较
数据血缘(Data Lineage)是大数据治理中的核心组成部分,它描述了数据从源头到目标的完整流动路径。系统介绍数据血缘的核心概念和技术原理比较主流开源和商业数据血缘工具的功能特点提供数据血缘分析的实践指南和选型建议本文首先介绍数据血缘的基本概念,然后深入分析其技术原理和实现方法,接着比较主流工具的特点,最后通过实际案例展示应用场景。数据血缘(Data Lineage): 描述数据从源头到目标的完整流动路径,包括所有转换和处理步骤元数据(Metadata)
RK3576 USB3.0 DWC3控制器调试:PHY初始化失败排查指南
DWC3 是 Synopsys 公司推出的 USB3.0/3.1 控制器 IP,支持双角色(DRD)模式,可配置为 Host、Device 或 OTG。
EndNote X9 参考文献附录列表 格式调整
EndNote X9 插入参考文献常见问题总结
基于GA-BP遗传算法优化神经网络的多输入多输出数据预测-Python代码实现
多输入多输出的GA-BP神经网络
jre9下载 jdk9
(Java SE Runtime Environment 9.0) 9.0u175 官方最新版 【x86|x64】
efm32 入门.pdf
本PDF共计22页,介绍的是操作驱动API,下载与否自己斟酌。
OV9734 DATASHEET,完整规格书
OV9734完整规格书,包括电气参数,尺寸规格,寄存器配置表等
Outlook Express 6 (OE6) for Win7/Win8/Win10
英文版 Outlook Express6.0, 兼容Win7/Win10/WinXP,解压就可用。
435
7464

被折叠的 条评论
为什么被折叠?



