实操教程：android camera nanodet 实时物体检测的高效实现总结

0x0 起因

• ncnn 是为移动端优化的神经网络推理框架
• nanodet 是轻量级通用物体检测算法

为了能跑得更快更好，ncnn 和 nanodet 费了很大功夫优化模型结构和代码实现

然而，只有配合高效的 android 应用层实现，才能将 ncnn nanodet 优势体现

否则，底层辛辛苦苦省下的时间，很容易被上层低效的实现浪费

似乎没找到靠谱的代码，那就自己写个吧

https://github.com/Tencent/ncnngithub.com

https://github.com/nihui/opencv-mobilegithub.com

https://github.com/RangiLyu/nanodetgithub.com

0x1 源代码传送门

不废话，先上源码和APK包下载链接

nihui/ncnn-android-nanodetgithub.com

https://github.com/nihui/ncnn-android-nanodet/releases/download/v1/com.tencent.nanodetncnn-release.apkgithub.com

0x2 NdkCamera 取帧，画图和渲染

Camera2 （传统方式）

1. java 初始化和设置相机，创建 ImageReader 做预览回调
2. java OnImageAvailable 转换为 rgba / Bitmap
3. java 通过 JNI 调用 C++ 实现的 nanodet 检测函数
4. c++ nanodet 推理
5. java 通过 JNI 返回检测框信息，用 Canvas 在 Bitmap 画框画字，更新
6. 重复 3-5

NdkCamera

1. c++ 初始化和设置相机，创建 AImageReader 做预览回调
2. java 通过 JNI 设置显示的 SurfaceView ANativeWindow
3. c++ onImageAvailable 获得 yuv420sp，旋转，转 RGB
4. c++ nanodet 推理
5. c++ opencv-mobile 画框画字，更新 ANativeWindow buffer
6. 重复 3-5

相较于 Camera2 传统实现流程，主要有以下优势

• 每帧的处理循环完全用 c++ 实现，避免 JNI 与 java api 的数据传输
• 使用 ncnn 优化的 yuv420sp 旋转，转 RGB 函数实现，更高效
• 使用 opencv-mobile 画框画字，更高效
• ANativeWindow buffer 到屏幕的缩放由硬件完成

也要说下缺点

• 需要 android 7.0 或以上系统
• 不兼容很老的 LEGACY camera interface

总之，很老的手机就别折腾实时检测了吧，承受着不该承受的计算压力。。

NdkCamera.h 白嫖攻略

光明正大地把app/src/main/jni/ndkcamera.h和app/src/main/jni/ndkcamera.cpp两个文件 Ctrl+C Ctrl+V，配合链接 ncnn 和 opencv-mobile

  

   

    

    

    

    

    

    

    

    

    

   
   
class NdkCamera{public:    // facing 0=front 1=back    int open(int camera_facing = 0);    void close();
    virtual void on_image(const cv::Mat& rgb) const;};
  

这个类我已经做的足够简单易懂了，把 on_image 自己实现下

用的时候先 open，就会自动调用你写的 on_image，rgb 是当前预览的帧，随你怎么用，比如做做检测，或者画画什么的

要切换摄像头就先 close，重新 open

0x3 高效的 NanoDet 推理技巧

nanodet 的模型是可以动态 shape 输入的，打开 param 文件把 Intep 的固定参数改为 scale_factor

比如 480x640 的图片，可以直接 480x640 输入给模型推理，而不需要先 pad 到 640x640，节约了 25% 的运算量

7个nanodet模型，打开 param 文件把输出 blob 名字全部改成了统一的cls_pred_stride_8，这样代码里写ex.extract("cls_pred_stride_8", cls_pred);就能对付全部模型了

• 设置内存池
• 设置使用大核心
• 设置线程数等于大核心数

会比默认效率更高些（正在计划默认启用，将来的ncnn版本不设置就比较好用了）

0x4 其实还可以更加优化

比如

• 针对 nanodet 输入尺寸，先在 yuv420sp resize 而不是 rgb resize
• ANativeWindow buffer 使用 RGB565 进一步减少带宽
• NdkCamera 中的 yuv420sp 旋转和转换 RGB 复用内存，而不是每次申请
• 编译git最新版 ncnn 代码

给你们留点活呀！

公众号后台回复“数据集”获取30+深度学习数据集下载～