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!
双目视觉入门实战:用Matlab标定相机,再到Python OpenCV完成测距的完整链路
本文详细介绍了双目视觉技术的完整实现流程,从Matlab相机标定到Python OpenCV测距的全链路实践。重点解析了Matlab与OpenCV的参数转换技巧,以及立体校正、视差计算等关键步骤的代码实现,帮助开发者快速掌握双目测距系统的搭建方法。
从零到一:基于Docker与Gewechat协议,打造高可用微信AI助手
本文提供了一份从零开始的实战指南,详细讲解如何利用Docker容器化技术与Gewechat协议,构建一个高可用、低风险的微信AI助手。通过整合Dify AI平台,您可以为微信机器人注入大语言模型的智能,实现自动问答、知识库查询等高级功能,显著提升个人或团队在微信场景下的沟通与信息处理效率。
基于Openrouter的API调用免费大模型
Openrouter 是一个 AI 模型聚合平台,整合了全球 200 多种主流 AI 模型,包括 GPT-4、Claude、Gemini 等,以及国产通义千问、DeepSeek 等。其核心优势是统一的 API 设计,开发者仅需少量代码即可与多个模型交互,还支持自动路由与回退机制。用户可通过 OpenAI SDK 或 LangChain 调用 Openrouter 中的模型。
全国大学生软件测试大赛Web应用测试(二)Selenium功能测试环境配置
全国大学生软件测试大赛Web应用测试(二)Selenium功能测试环境配置指南配置JAVA配置mooctest配置ChromeDriver配置SeleniumSelenium的使用 环境配置指南 配置JAVA 首先进入JDK8官方安装地址 然后找到Windows 64位 jdk8 点击下载(这里下载需要登录Orcale 账户) 下载后JDK的安装根据提示进行,还有安装JDK的时候也会安装JRE,一并安装就可以了。 安装JDK,安装过程中可以自定义安装目录等信息,例如我们选择安装目录为 D:\java\jav
从3dB定向耦合器到双圆极化天线:在HFSS里玩转相位差90°的馈电艺术
本文详细介绍了在HFSS中设计3dB定向耦合器与双圆极化天线的关键技术,重点解析了90°相位差生成原理及馈电网络设计。通过HFSS仿真工具,实现从定向耦合器到完整天线系统的集成,优化阵列天线性能,适用于卫星通信和雷达系统。
LFM线性调频信号的MATLAB仿真
线性调频(LFM)是一种不需要伪随机编码序列的扩展频谱调制技术。由于线性调频信号占用的频带宽度远大于信息带宽,所以也可以获得很大的系统处理增益。线性调频信号又称鸟声(Chirp)信号,因为其频谱带宽落于可听范围,则听若鸟声,所以又称Chirp扩展频谱(CSS)技术。LFM技术在雷达、声纳技术中有广泛应用,如在雷达定位技术中,它可在增大射频脉冲宽度、提高平均发射功率、加大通信距离同时又保持足够的信号频谱宽度,不降低雷达的距离分辨率。线性调频(LFM)是一种不需要伪随机编码序列的扩展频谱调制技术。
手把手教你使用ConvNeXt训练自己数据集和推理,ConvNeXt模型训练(CVPR 2022),一个能挑战 Vision Transformer 的卷积神经网络,含完整代码和数据集
手把手教你使用ConvNeXt训练自己数据集和推理,ConvNeXt模型训练(CVPR 2022),一个能挑战 Vision Transformer 的卷积神经网络,含完整代码和数据集
webrtc+uniapp(h5和app)实现在线聊天功能 uniapp+网页+服务端源码
uniapp端代码 服务端代码 public/index.html
贝叶斯统计 [韦来生编]
贝叶斯(Bayes)统计是近几十年来迅速发展起来的数理统计的一个重要分支。贝叶斯方法与经典统计方法的主要不同之处是进行统计推断时除了利用样本信息外,还要利用参数的先验信息,因此可以提高统计推断或统计决策的效果。它在经济、金融、生物、医学、自然科学和社会科学等许多领域具有广泛的应用。贝叶斯方法的研究已渗透到了统计学的几乎所有领域。作者在给中国科学技术大学概率论与数理统计专业本科生开设的“数理统计”课程中有一章专门讲授“贝叶斯方法和统计决策理论”,近十年来也给中国科学技术大学概率统计专业研究生开设过几次“贝叶斯分析”课。本书是在对过去讲稿的内容作了适当的增减和调整的基础上完成的。 本书共分六章。第1章是绪论,介绍了贝叶斯统计的若干基本概念,同时对必要的数理统计的基础知识有重点地作了回顾。第二章介绍了确定先验分布的若干可供选择的方法。第三章介绍了几类常见统计模型参数的后验分布的主要结果和计算方法。第四章和第五章分别介绍了“贝叶斯统计推断”和“贝叶斯统计决策”的内容。第六章介绍了贝叶斯统计计算的若干方法,包括蒙特卡洛方法和马尔可夫链蒙特卡洛(MCMC)方法以及相关统计软件的简介。本书的每一章附右大量的例题和习题,书末附有常用的几个表格和部分习题解答供读者查用。 大约可在54学时内讲授本书的第1章至第六章的主要内容,教师可根据学时需要选讲本书第1章至第六章的部分内容。书中标“*”号的章节可略去不讲,留给读者作为阅读材料。第六章例题中的R代码和部分例题的数据文件等可从作者个人主页下载。 作者在编写本书的过程中参考了J.O.Berger教授的《统计决策论及贝叶斯分析》和茆诗松教授编写的《贝叶斯统计》等书中的一些内容,以及《贝叶斯分析》一书中由张伟平博士编写的有关贝叶斯统计计算的一些内容。在此表示衷心感谢。 本书编写准备过程中,中国科学技术大学统计与金融系的几个研究生帮助完成了本书部分中文的录入和排版,作者对他们的辛勤工作表示真诚的感谢。高等教育出版社为本书的出版给予了大力支持。在此一并致谢。
怀旧版电脑GBC模拟器
再现原版GBC掌机的界面,电脑运行连游戏界面都一样大小,很怀旧,很真实,(英文版)强烈推荐,很小的文件,很难才找到的。
Statistics and Machine Learning Toolbox
Statistics and Machine Learning Toolbox(带书签),MATLAB统计学习工具
905

被折叠的 条评论
为什么被折叠?



