java 调用 python yolo onnx 模型 AI 视频 识别

# 先 完整 完整 阅读文档！！！ # 没阅读到文档最后面不要运行代码和加群 # 别忘记点star ## 项目由来 1. 在调用深度学习训练好的AI模型时，如果使用python调用非常简单，甚至不用编写代码，大部分深度学习框架就是python编写的，自带有推理逻辑文件和方法 2. 但是不是每个同学都会python,不是每个项目都是python语言开发，不是每个岗位都会深度学习 3. 由于大部分服务器项目还是由java语言居多，之前java方向的同学也多，由于找遍全网也没有找到java调用AI模型的例子 4. 所以特意编写一个java调用AI模型的方法(全网独这一份，目前市面上出来的java ai的相关项目的底层代码都来源我这个)。思路是通用的，只需要替换不同的模型即可达到不同效果 4. 不是收集集成别人的项目，该项目2020年下半年就开始本地开发编写了。github上也有很多项目借鉴了这个思路 6. 极其轻量，两个依赖，一个java主文件即可运行 5. **不懂项目有什么用作？不知道用在什么地方？没关系，先下载运行看效果后立马就明白了！** 9. **该项目属于底层原理型项目，是底层支撑性的项目，工具类项目，不含任何业务与上层逻辑，可以给其他java spring ai项目提供集成和支撑** --- ## 环境 - **master分支：面向过程写法，dp分支：面向对象写法。第一次先运行master分支代码** - 只需要java环境不需要安装其它！JDK大于等于11，不能用1.8。 代码目录不能含有中文！ - maven源记得改为国内源，否则下载依赖需要2天。 - CPU建议i7十一代以上，自己测试可以不用GPU，实际项目必须GPU，尽量3060以上(图片检测无所谓，视频流实时检测必须GPU) - 本项目相当于最基础工具处理方法，不包含和结合业务逻辑，项目使用时视频流需要多线程，队列等等，需要自己处理。 - 不包含视频流处理以及存储，转发等功能，具体实现搜索关键字：流媒体服务器，rtmp 等等。 **思路如下:一个线程拉流，一个或多个线程识别，一个线程推流，一个共变量存储最新画面防止堆积，拉流线程只负责更新最新画面，识别线程只负责识别最新画面，识别后放到队列等待推流线程推流(注意帧率)** --- ## 紧接着下载运行看效果再研究代码 ## 看不懂代码也要先运行，直接运行不会报错 1. 下载代码可直接运行主文件：`CameraDetection.java(优先运行)`,`ObjectDetection_1_25200_n.java` , `ObjectDetection_n_7.java`,`ObjectDetection_1_n_8400.java` 都 **可以直接运行不会报错** 2. `CameraDetection.java`，是实时视频流识别检测，**也可直接运行**，三个文件完全独立，不互相依赖，如果有GPU帧率会更高，需要开启调用GPU。images目录下有视频文件也可以改为路径预览视频识别效果,根据视频实时识别demo，其他文件都可以改为实时识别 3. 多个主文件是为了支持不用网络结构的模型，即使是`onnx`模型，输出的结果参数也不一样，目前支持三种结构，下面有讲解 4. 可以封装为`http` `controller` `api`接口，也可以结合摄像头实时分析视频流，进行识别后预览和告警 5. 支持`yolov7` , `yolov5`和`yolov8`,`paddlepaddle`后处理稍微改一下也可以支持, **代码中自带的onnx模型仅仅为了演示，准确率非常低，实际应用需要自己训练** 6. 训练出来的模型成为基础模型，可以用于测试。生产环境的模型需要经过模型压缩，量化，剪枝，蒸馏，才可以使用(当然这不是java开发者的工作)。会提升视频华民啊帧率达到60-120帧左右。点击查看：[百度压缩模型工具](https://www.paddlepaddle.org.cn/tutorials/projectdetail/3949129)，[基础概念](https://zhuanlan.zhihu.com/p/138059904)，[参考文章](https://zhuanlan.zhihu.com/p/430910227) 8. 视频流检测用小模型，接口图片检测用大模型 6. 替换`model`目录下的onnx模型文件，可以识别检测任何物体(烟火，跌倒，抽烟，安全帽，口罩，人，打架，计数，攀爬，垃圾，开关，状态，分类，农作物，害虫识别，等等)，有模型即可 7. **模型不是onnx格式怎么办？不要紧张，主流AI框架模型都可以转为onnx格式。怎么转？自己搜！** --- ## ObjectDetection_1_25200_n.java - `yolov5` - **85**：每一行`85`个数值，`5`个center_x,center_y, width, height，score ，`80`个标签类别得分(不一定是80要看模型标签数量) - **25200**：三个尺度上的预测框总和 `( 80∗80∗3 + 40∗40∗3 + 20∗20∗3 )`，每个网格三个预测框，后续需要`非极大值抑制NMS`处理 - **1**：没有批量预测推理，即每次输入推理一张图片  --- ## ObjectDetection_n_7.java - `yolov7` - **Concatoutput_dim_0** ：变量，表示当前图像中预测目标的数量， - **7**：表示每个目标的七个参数：`batch_id，x0，y0，x1，y1，cls_id，score`  --- ## ObjectDetection_1_n_8400.java - `yolov8 和 yolov9`  --- ## 暂不直接支持输出结果是三个数组参数的模型(因为不常用) - 但是这种结构模型可以导出为`[1,25200,85]`或`[n,7]`输出结构，然后就可以使用已有代码调用。 - **yolov5** ：导出onnx时增加参数 `inplace=True,simplify=True`(ObjectDetection_1_25200_n.java) - **yolov7** ：导出onnx时增加参数 `grid=True,simplify=True`(ObjectDetection_1_25200_n.java) 或者 `grid=True,simplify=True,end2end=True`(ObjectDetection_n_7.java)   --- ## ONNX Open Neural Network Exchange（ONNX，开放神经网络交换）格式，是一个用于表示深度学习模型的标准，可使模型在不同框架之间进行转移. 是一种针对机器学习所设计的开放式的文件格式，用于存储训练好的模型。它使得不同的人工智能框架（如Pytorch,TensorFlow,PaddlePaddle,MXNet）可以采用相同格式存储模型数据并交互。 ONNX的规范及代码主要由微软，亚马逊 ，Facebook 和 IBM 等公司共同开发，以开放源代码的方式托管在Github. ## 图片效果    ## 视频效果（必看） - https://live.csdn.net/v/308058 - https://live.csdn.net/v/296613 - https://blog.csdn.net/changzengli/article/details/129661570 ## 扫码加群备注：`已完整阅读文档` - 无备注不通过，进群学习如何训练模型，onnx模型可以自己训练也可以购买 - 进群1小时内发运行成功代码截图，不然踢出群，真踢。  ## 有用链接 - https://blog.csdn.net/changzengli/article/details/129182528 - https://blog.csdn.net/xqtt29/article/details/1109