更多项目《行人检查(人体测量)》系列文章请参考：
行人检查(人体测量)1：人体检查数据集(含下载链接):行人检查(人体检查)2：YOLOv5实现人体检查(含人体检查数据集和训练代码)：行人检查(人体检查)3：Android实现人体检查(含源码，可实时人体检查)：行人检查(人体检查)4：C++实现人体检查(含源码，可实时人体检查)：
#9:3:4:9:1:0:2:3:8:2:d:1:9:5:3:7:0:9:e:2:2:6:8:5:4:0:0:1:0:b:8:1#
如果须要进行人像分割，实现一键抠图疗效，请参考文章：《一键抠图Portrait Matting人像抠图 (C++和Android源码)》
#9:c:8:4:1:d:0:e:7:2:3:c:5:6:e:8:9:1:4:1:c:3:2:8:3:2:8:a:9:9:d:5#
#8:a:4:1:1:a:a:b:3:4:2:a:9:6:e:4:a:6:3:4:f:0:1:c:5:7:f:7:7:0:5:0#
#b:3:0:6:e:6:1:7:2:1:3:8:c:5:2:1:0:9:1:d:9:2:a:d:7:6:4:8:e:a:3:b#
2. 人体检查数据集说明
目前搜集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。这三个数据集都标明了人体检查框，但没有人脸框，考虑到好多项目业务需求，需要同时测量人脸和人体框；故早已将这三个数据都标明了person和face两个标签，以便深度学习目标测量模型训练。
关于人体检查数据集使用说明和下载，详见另一篇博客说明：《行人检查(人体检查)1：人体检查数据集(含下载链接)》行人检查(人体检查)1：人体检查数据集(含下载链接)_AI吃大瓜的博客-CSDN博客
#7:8:9:4:7:b:d:d:c:2:b:e:2:8:7:1:d:c:e:d:1:4:6:1:b:2:f:4:9:2:8:5#
3. 基于YOLOv5的人体检查模型训练
官方YOLOv5给出了YOLOv5l,YOLOv5m,YOLOv5s等模型。考虑到手机端CPU/GPU性能比较弱鸡，直接布署yolov5s运行速率非常慢。所以本人在yolov5s基础上进行模型轻量化处理，即将yolov5s的模型的channels通道数全部都降低一半，并且模型输入由原先的640×640增加到416×416或则320×320，该轻量化的模型我称之为yolov5s05。轻量化后的模型yolov5s05比yolov5s估算量降低了16倍，参数量降低了7倍。
下面是yolov5s05和yolov5s的参数量和估算量对比：
模型
input-size
params(M)
GFLOPs
yolov5s
640×640
7.2
16.5
yolov5s05
416×416
1.7
1.8
yolov5s05
320×320
1.7
1.1
yolov5s05和yolov5s训练过程完全仍然，仅仅是配置文件不一样而已；碍于篇幅，本篇博客不在赘言，详细训练过程请参考：《行人检查(人体检查)2：YOLOv5实现人体检查(含人体检查数据集和训练代码)》
4.人体检查模型Android布署 （1） 将Pytorch模型转换ONNX模型
训练好yolov5s05或则yolov5s模型后，你须要将模型转换为ONNX模型，并使用onnx-simplifier简化网路结构
#d:7:c:b:1:f:d:b:2:0:d:5:c:b:e:e:4:2:c:c:e:e:3:0:1:a:7:1:4:7:c:2#
GitHub：
Install: pip3 install onnx-simplifier
（2） 将ONNX模型转换为TNN模型
目前CNN模型有多种布署方法，可以采用TNN，MNN,NCNN，以及TensorRT等布署工具，鄙人采用TNN进行Android端上布署：
TNN转换工具：
#8:2:6:e:e:a:5:f:8:9:6:e:9:d:3:3:e:2:c:1:2:4:4:2:c:f:3:7:c:5:a:4#
（3） Android端上布署模型
项目实现了Android版本的人体检查Demo，部署框架采用TNN，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YOLOv5部份均采用C++实现，上层通过JNI插口调用
#d:8:e:6:e:2:0:c:d:3:6:5:4:d:3:5:0:7:e:a:a:2:4:2:c:9:d:9:e:7:e:1#
如果你想在这个Android Demo布署你自己训练的YOLOv5模型，你可将训练好的Pytorch模型转换ONNX ，再转换成TNN模型，然后把TNN模型取代你模型即可。
#5:0:5:8:2:f:7:1:6:0:0:3:4:6:d:a:7:5:d:d:0:d:9:9:e:5:f:f:4:d:5:3#
（4） 一些异常错误解决方式
官方YOLOv5: ONNX > CoreML > TFLite">GitHub - ultralytics/yolov5: YOLOv5 in PyTorch > ONNX > CoreML > TFLite
如果你是直接使用官方YOLOv5代码转换TNN模型，部署TNN时会出现这个错误Permute param got wrong size，这是因为TNN最多支持4个维度估算，而YOLOv5在输出时采用了5个维度。你须要更改model/yolo.py文件
#e:d:d:9:a:5:d:e:8:3:f:2:3:4:c:f:c:1:1:7:1:0:9:d:7:2:e:1:9:8:5:2#
export.py文件设置model.model[-1].export = True：
#6:f:a:2:1:4:2:4:c:f:1:4:5:e:3:7:5:3:f:3:d:f:b:e:d:3:f:b:4:2:7:5#
#a:4:a:1:1:d:9:b:d:1:d:0:4:b:6:6:d:e:c:7:0:b:8:c:a:9:7:f:d:b:3:0#
这个问题，大部分是模型参数设置错误，需要按照自己的模型，修改C++推理代码YOLOv5Param模型参数。
#c:d:c:3:2:0:8:d:b:1:e:f:1:a:d:9:8:0:8:d:4:5:d:d:c:7:9:c:9:8:0:8#
input_width和input_height是模型的输入大小；vector anchors须要对应上，注意Python版本的yolov5s的原始anchor是
#0:1:8:6:e:e:0:1:e:b:c:e:c:7:9:6:0:5:c:4:0:b:f:9:c:8:6:4:9:b:a:8#
而yolov5s05由于input size由原先640弄成320，anchor也须要做对应调整：
#1:9:c:7:1:6:c:e:a:4:b:9:e:8:a:8:e:5:4:7:8:5:4:c:d:f:1:4:d:9:d:f#
因此C++版本的yolov5s和yolov5s05的模型参数YOLOv5Param如下设置
#d:e:3:c:6:6:6:1:2:4:a:d:d:4:a:d:5:6:d:7:7:d:a:f:d:6:f:b:4:0:e:c#
参考解决方式：解决dlopen failed: library “libomp.so“ not found_PKing666666的博客-CSDN博客_dlopen failed
5. 人体检查疗效
【Android APP体验】
APP在普通Android手机上可以达到实时的人体检查疗效，CPU(4线程)约30ms左右，GPU约25ms左右 ，基本满足业务的性能需求。
#e:3:b:b:b:6:1:a:e:c:b:3:3:8:5:c:a:d:8:5:1:8:4:c:e:8:c:1:c:6:4:c#
#3:7:6:7:1:1:1:6:4:7:6:6:6:c:5:1:6:7:b:4:6:2:d:4:9:b:9:6:4:e:4:2#
#7:f:9:1:6:8:b:f:d:e:e:4:a:5:6:f:6:4:0:7:a:3:2:a:0:a:c:8:0:0:d:6#
#d:7:c:7:2:9:9:7:9:8:0:f:2:f:6:a:a:5:e:c:0:e:7:4:8:5:3:4:9:0:b:7#
6.项目源码下载
【Android APP体验】
【项目源码下载】行人检查(人体检查)3：Android实现人体检查(含源码，可实时人体检查)
整套Android项目源码内容包含：
提供快速版yolov5s05人体检查模型，在普通手机可实时监测辨识，CPU(4线程)约30ms左右，GPU约25ms左右提供高精度版本yolov5s人体检查模型，CPU(4线程)约250ms左右，GPU约100ms左右Demo支持图片，视频，摄像头测试所有依赖库都早已配置好，可直接build运行，若运行出现掉帧，请参考dlopen failed: library “libomp.so“ not found解决。
更多项目《行人检查(人体检查)》系列文章请参考：
行人检查(人体检查)1：人体检查数据集(含下载链接):行人检查(人体检查)2：YOLOv5实现人体检查(含人体检查数据集和训练代码)：行人检查(人体检查)3：Android实现人体检查(含源码，可实时人体检查)：行人检查(人体检查)4：C++实现人体检查(含源码，可实时人体检查)：
#9:3:4:9:1:0:2:3:8:2:d:1:9:5:3:7:0:9:e:2:2:6:8:5:4:0:0:1:0:b:8:1#
