目录
行人检测(人体检测)4：C++实现人体检测(含源码，可实时人体检测)
1. 前言
2. 行人检测(人体检测)检测模型（YOLOv5）
（1）行人检测(人体检测)模型训练
（2）将Pytorch模型转换ONNX模型
（3）将ONNX模型转换为TNN模型
3. 行人检测(人体检测)C++端上部署
（1）项目结构
（2）配置开发环境(OpenCV+OpenCL+base-utils+TNN)
（3）部署TNN模型
（4）CMake配置
（5）main源码
（6）源码编译和运行
4. 行人检测(人体检测)效果C++版本
5. 行人检测(人体检测)效果Android版本
6. 项目源码下载
这是项目《行人检测(人体检测)》系列之《C++实现行人检测/人体检测(含源码，可实时行人检测)》；本篇主要分享将Python训练后的YOLOv5的行人检测(人体检测)模型转写成C/C++代码。我们将开发一个简易的、可实时运行的行人检测(人体检测)C/C++ Demo。行人检测(人体检测)C/C ++版本模型推理支持CPU和GPU加速，在GPU(OpenCL)加速下，可以达到实时的检测效果，基本满足业务的性能需求。
先展示一下行人检测(人体检测)的效果：
【尊重原创，转载请注明出处】https://blog.csdn.net/guyuealian/article/details/128954638
更多项目《行人检测(人体检测)》系列文章请参考：
如果需要进行人像分割，实现一键抠图效果，请参考文章：《一键抠图Portrait Matting人像抠图 (C++和Android源码)》
 |  |  |
行人检测(人体检测)训练过程，请参考：行人检测(人体检测)2：YOLOv5实现人体检测(含人体检测数据集和训练代码)：https://blog.csdn.net/guyuealian/article/details/128954588
为了能部署在开发板或者手机平台上，本人对YOLOv5s进行了简单的模型轻量化，并开发了一个轻量级的版本yolov5s05_416和yolov5s05_320模型；轻量化模型在普通Android手机上可以达到实时的检测效果，CPU(4线程)约30ms左右，GPU约25ms左右 ，基本满足业务的性能需求。下表格给出yolov5s模型，轻量化模型yolov5s05_416和yolov5s05_320的计算量和参数量以及其检测精度
| 模型 | input-size | params(M) | GFLOPs | mAP_0.5 | mAP_0.5:0.95 |
| yolov5s | 640×640 | 7.2 | 16.5 | 0.98432 | 0.73693 |
| yolov5s05 | 416×416 | 1.7 | 1.8 | 0.97004 | 0.50567 |
| yolov5s05 | 320×320 | 1.7 | 1.1 | 0.96448 | 0.44821 |
训练好yolov5s模型后，你需要先将Pytorch模型转换为ONNX模型，并使用onnx-simplifier简化网络结构，Python版本的已经提供了ONNX转换脚本，终端输入命令如下：
# 转换yolov5s05模型
python export.py --weights "data/model/yolov5s05_320/weights/best.pt" --img-size 320 320
# 转换yolov5s模型
python export.py --weights "data/model/yolov5s_640/weights/best.pt" --img-size 640 640GitHub： https://github.com/daquexian/onnx-simplifier
Install: pip3 install onnx-simplifier
目前在C++端上，CNN模型有多种部署方式，可以采用TNN，MNN,NCNN，以及TensorRT等部署工具，鄙人采用TNN进行Android端上部署
TNN转换工具：
- （1）将ONNX模型转换为TNN模型，请参考TNN官方说明：TNN/onnx2tnn.md at master · Tencent/TNN · GitHub
- （2）一键转换，懒人必备：一键转换 Caffe, ONNX, TensorFlow 到 NCNN, MNN, Tengine (可能存在版本问题，这个工具转换的TNN模型可能不兼容，建议还是自己build源码进行转换，2022年9约25日测试可用)
转换成功后，会生成两个文件(*.tnnproto和*.tnnmodel) ,下载下来后面会用到
项目IDE开发工具使用CLion，相关依赖库主要有OpenCV，base-utils以及TNN和OpenCL(可选)，其中OpenCV必须安装，OpenCL用于模型加速，base-utils以及TNN已经配置好，无需安装；
项目仅在Ubuntu18.04进行测试，Windows系统下请自行配置好开发环境。
项目仅在Ubuntu18.04进行测试，Windows系统下请自行配置和编译
图像处理（如读取图片，图像裁剪等）都需要使用OpenCV库进行处理
安装教程：Ubuntu18.04安装opencv和opencv_contrib_AI吃大瓜的博客-CSDN博客_opencv opencv_contrib ubuntu
OpenCV库使用opencv-4.3.0版本，opencv_contrib库暂时未使用，可不安装
安装教程：Ubuntu16.04 安装OpenCV&OpenCL_xiaozl_284的博客-CSDN博客_clinfo源码下载
OpenCL用于模型GPU加速，若不使用OpenCL进行模型推理加速，纯C++推理模型，速度会特别特别慢
GitHub：https://github.com/PanJinquan/base-utils （无需安装，项目已经配置了）
base_utils是个人开发常用的C++库，集成了C/C++ OpenCV等常用的算法
GitHub：https://github.com/Tencent/TNN （无需安装，项目已经配置了）
由腾讯优图实验室开源的高性能、轻量级神经网络推理框架，同时拥有跨平台、高性能、模型压缩、代码裁剪等众多突出优势。TNN框架在原有Rapidnet、ncnn框架的基础上进一步加强了移动端设备的支持以及性能优化，同时借鉴了业界主流开源框架高性能和良好拓展性的特性，拓展了对于后台X86, NV GPU的支持。手机端 TNN已经在手机QQ、微视、P图等众多应用中落地，服务端TNN作为腾讯云AI基础加速框架已为众多业务落地提供加速支持。
项目模型推理采用TNN部署框架（支持多线程CPU和GPU加速推理）；图像处理采用OpenCV库，模型加速采用OpenCL，在普通电脑设备即可达到实时处理。
如果你想在这个 C++ Demo部署你自己训练的行人检测(人体检测)模型，你可以将训练好的Pytorch模型转换ONNX ，再转换成TNN模型，然后把原始的模型替换成你自己的TNN模型即可。
这是CMakeLists.txt，其中主要配置OpenCV+OpenCL+base-utils+TNN这四个库，Windows系统下请自行配置和编译
cmake_minimum_required(VERSION 3.5)
project(Detector)
add_compile_options(-fPIC) # fix Bug: can not be used when making a shared object
set(CMAKE_CXX_FLAGS "-Wall -std=c++11 -pthread")
#set(CMAKE_CXX_FLAGS_RELEASE "-O2 -DNDEBUG")
#set(CMAKE_CXX_FLAGS_DEBUG "-g")
if (NOT CMAKE_BUILD_TYPE AND NOT CMAKE_CONFIGURATION_TYPES)
# -DCMAKE_BUILD_TYPE=Debug
# -DCMAKE_BUILD_TYPE=Release
message(STATUS "No build type selected, default to Release")
set(CMAKE_BUILD_TYPE "Release" CACHE STRING "Build type (default Debug)" FORCE)
endif ()
# opencv set
find_package(OpenCV REQUIRED)
include_directories(${OpenCV_INCLUDE_DIRS} ./src/)
#MESSAGE(STATUS "OpenCV_INCLUDE_DIRS = ${OpenCV_INCLUDE_DIRS}")
# base_utils
set(BASE_ROOT 3rdparty/base-utils) # 设置base-utils所在的根目录
add_subdirectory(${BASE_ROOT}/base_utils/ base_build) # 添加子目录到build中
include_directories(${BASE_ROOT}/base_utils/include)
include_directories(${BASE_ROOT}/base_utils/src)
MESSAGE(STATUS "BASE_ROOT = ${BASE_ROOT}")
# TNN set
# Creates and names a library, sets it as either STATIC
# or SHARED, and provides the relative paths to its source code.
# You can define multiple libraries, and CMake builds it for you.
# Gradle automatically packages shared libraries with your APK.
# build for platform
# set(TNN_BUILD_SHARED OFF CACHE BOOL "" FORCE)
if (CMAKE_SYSTEM_NAME MATCHES "Android")
set(TNN_OPENCL_ENABLE ON CACHE BOOL "" FORCE)
set(TNN_ARM_ENABLE ON CACHE BOOL "" FORCE)
set(TNN_BUILD_SHARED OFF CACHE BOOL "" FORCE)
set(TNN_OPENMP_ENABLE ON CACHE BOOL "" FORCE) # Multi-Thread
#set(TNN_HUAWEI_NPU_ENABLE OFF CACHE BOOL "" FORCE)
add_definitions(-DTNN_OPENCL_ENABLE) # for OpenCL GPU
add_definitions(-DTNN_ARM_ENABLE) # for Android CPU
add_definitions(-DDEBUG_ANDROID_ON) # for Android Log
add_definitions(-DPLATFORM_ANDROID)
elseif (CMAKE_SYSTEM_NAME MATCHES "Linux")
set(TNN_OPENCL_ENABLE ON CACHE BOOL "" FORCE)
set(TNN_CPU_ENABLE ON CACHE BOOL "" FORCE)
set(TNN_X86_ENABLE OFF CACHE BOOL "" FORCE)
set(TNN_QUANTIZATION_ENABLE OFF CACHE BOOL "" FORCE)
set(TNN_OPENMP_ENABLE ON CACHE BOOL "" FORCE) # Multi-Thread
add_definitions(-DTNN_OPENCL_ENABLE) # for OpenCL GPU
add_definitions(-DDEBUG_ON) # for WIN/Linux Log
add_definitions(-DDEBUG_LOG_ON) # for WIN/Linux Log
add_definitions(-DDEBUG_IMSHOW_OFF) # for OpenCV show
add_definitions(-DPLATFORM_LINUX)
elseif (CMAKE_SYSTEM_NAME MATCHES "Windows")
set(TNN_OPENCL_ENABLE ON CACHE BOOL "" FORCE)
set(TNN_CPU_ENABLE ON CACHE BOOL "" FORCE)
set(TNN_X86_ENABLE ON CACHE BOOL "" FORCE)
set(TNN_QUANTIZATION_ENABLE OFF CACHE BOOL "" FORCE)
set(TNN_OPENMP_ENABLE ON CACHE BOOL "" FORCE) # Multi-Thread
add_definitions(-DTNN_OPENCL_ENABLE) # for OpenCL GPU
add_definitions(-DDEBUG_ON) # for WIN/Linux Log
add_definitions(-DDEBUG_LOG_ON) # for WIN/Linux Log
add_definitions(-DDEBUG_IMSHOW_OFF) # for OpenCV show
add_definitions(-DPLATFORM_WINDOWS)
endif ()
set(TNN_ROOT 3rdparty/TNN)
include_directories(${TNN_ROOT}/include)
include_directories(${TNN_ROOT}/third_party/opencl/include)
add_subdirectory(${TNN_ROOT}) # 添加外部项目文件夹
set(TNN -Wl,--whole-archive TNN -Wl,--no-whole-archive)# set TNN library
MESSAGE(STATUS "TNN_ROOT = ${TNN_ROOT}")
# Detector
include_directories(src)
set(SRC_LIST
src/yolov5.cpp
src/Interpreter.cpp)
add_library(dmcv SHARED ${SRC_LIST})
target_link_libraries(dmcv ${OpenCV_LIBS} base_utils)
MESSAGE(STATUS "DIR_SRCS = ${SRC_LIST}")
#add_executable(Detector src/main.cpp)
#add_executable(Detector src/main_for_detect.cpp)
add_executable(Detector src/main_for_yolov5.cpp)
target_link_libraries(Detector dmcv ${TNN} -lpthread)
主程序src/main_for_yolov5.cpp中提供行人检测的Demo：
//
// Created by Pan on 2018/6/24.
//
#include <iostream>
#include <string>
#include <vector>
#include "file_utils.h"
#include "yolov5.h"
using namespace dl;
using namespace vision;
using namespace std;
void test_yolov5_detector() {
const int num_thread = 1;
DeviceType device = GPU; // 使用GPU运行，需要配置好OpenCL
//DeviceType device = CPU; // 使用CPU运行
// 测试YOLOv5s_640
string proto_file = "../data/tnn/yolov5/yolov5s_640.sim.tnnproto";
string model_file = "../data/tnn/yolov5/yolov5s_640.sim.tnnmodel";
YOLOv5Param model_param = YOLOv5s_640;//模型参数
// 测试YOLOv5s05_416
//string proto_file = "../data/tnn/yolov5/yolov5s05_416.sim.tnnproto";
//string model_file = "../data/tnn/yolov5/yolov5s05_416.sim.tnnmodel";
//YOLOv5Param model_param = YOLOv5s05_416;//模型参数
// 测试YOLOv5s05_320
//string proto_file = "../data/tnn/yolov5/yolov5s05_320.sim.tnnproto";
//string model_file = "../data/tnn/yolov5/yolov5s05_320.sim.tnnmodel";
//YOLOv5Param model_param = YOLOv5s05_320;//模型参数
// 设置检测阈值
const float scoreThresh = 0.3;
const float iouThresh = 0.5;
YOLOv5 *detector = new YOLOv5(model_file,
proto_file,
model_param,
num_thread,
device);
// 测试图片
string image_dir = "../data/test_image";
vector<string> image_list = get_files_list(image_dir);
for (string image_path:image_list) {
cv::Mat bgr_image = cv::imread(image_path);
if (bgr_image.empty()) continue;
FrameInfo resultInfo;
printf("init frame\n");
// 开始检测
detector->detect(bgr_image, &resultInfo, scoreThresh, iouThresh);
// 可视化代码
detector->visualizeResult(bgr_image, &resultInfo);
}
delete detector;
detector = nullptr;
printf("FINISHED.\n");
}
int main() {
test_yolov5_detector();
return 0;
}
编译脚本，或者直接：bash build.sh
#!/usr/bin/env bash
if [ ! -d "build/" ];then
mkdir "build"
else
echo "exist build"
fi
cd build
cmake ..
make -j4
sleep 1
./demo
DeviceType device = CPU;
DeviceType device = GPU; //默认使用GPU
下面截图给出开启OpenCL加速的性能对比截图，纯C++推理模式需要耗时几秒的时间，而开启OpenCL加速后，GPU模式耗时仅需十几毫秒，性能极大的提高。
| CPU |  |
| GPU |  |
下图给出C++版本行人检测(人体检测)效果：
 |  |
 |  |
下图GIF这是Python版本的行人检测(人体检测)效果，C++版本与Python版本的结果几乎是一致
已经完成Android版本人体检测算法开发，APP在普通Android手机上可以达到实时的检测和识别效果，CPU(4线程)约30ms左右，GPU约25ms左右 ，基本满足业务的性能需求。详细说明请查看：行人检测(人体检测)3：Android实现人体检测(含源码，可实时人体检测)：https://blog.csdn.net/guyuealian/article/details/128954615
人体检测Android Demo体验：https://download.csdn.net/download/guyuealian/87441942
【行人检测(人体检测)C/C++源码下载】行人检测(人体检测)4：C++实现人体检测(含源码，可实时人体检测)
整套项目源码内容包含：
- 项目提供YOLOv5行人检测(人体检测)模型：包含yolov5s模型，轻量化模型yolov5s05_416和yolov5s05_320三个行人检测(人体检测)模型；在普通手机可实时检测识别，CPU(4线程)约30ms左右，GPU约25ms左右；包含高精度版本yolov5s行人检测(人体检测)模型，CPU(4线程)约250ms左右，GPU约100ms左右
- 项目C++源码支持CPU和GPU运行，GPU模型加速需要配置好OpenCL，否则速度很慢
- 项目源码不含Python训练代码和Android源码；
如果你想体验一下行人检测(人体检测)效果，可下载Android版本进行测试，Android和C++版本的行人检测(人体检测)核心算法是一样的
行人检测(人体检测)Python训练，请参考：行人检测(人体检测)2：YOLOv5实现人体检测(含人体检测数据集和训练代码)：https://blog.csdn.net/guyuealian/article/details/128954588
行人检测(人体检测)Android部署，请参考： 行人检测(人体检测)3：Android实现人体检测(含源码，可实时人体检测)：https://blog.csdn.net/guyuealian/article/details/128954615