Android和IOS应用集成和训练自定义物体检测模型视频教程

欢迎购买学习《Android和IOS应用集成和训练自定义目标物体检测模型视频教程》课程，你将学习在 Android 中集成对象检测模型（如 YOLO）并为 Android 和 IOS 训练自定义对象检测模型。

发表于 2022 年 10 月
MP4 | 视频：h264, 1280×720 | 音频：AAC，44.1 KHz，2 Ch
类型：eLearning | 语言：英语 | 时长：108 节课（8h 34m）| 大小：6.3 GB

你会学到什么

• 在 Android 和 IOS 的自定义数据集上训练对象检测模型
• 测试和优化经过训练的目标检测模型
• 在 Android 中使用带有图像的对象检测模型
• 在 Android 中使用带有实时摄像头画面的对象检测模型
• 为训练对象检测模型收集和注释数据集
• 使用 Android 中的 YOLO 模型与图像和实时摄像机镜头
• 在 Android 中使用 SSD Mobilenet 模型与图像和实时摄像机镜头
• 在 Android 中使用 Efficient Det 模型与图像和实时摄像机镜头
• 将对象检测模型转换为 tflite 格式
• 了解对象检测及其应用
• 了解 Android 中的 tflite (TensorFlow lite) 模型集成

要求

有一些Android App开发的基本知识将是一个加分项

描述

如果您想为 Android 和 iOS 训练自定义对象检测模型，欢迎参加本课程。

在本课程中，您将学习

• 为 Android 和 IOS 训练您的自定义对象检测模型
• 在 Android (Java/Kotlin) 中使用这些模型与图像和实时摄像机镜头
• 在 Android (Java/Kotlin) 中使用现有的对象检测模型，如 YOLO、EfficientDet 和 MobileNet 模型

本课程的 android 应用程序开发部分适用于 java 和 kotlin 编程语言。

因此，完成本课程后，您将能够

• 收集用于训练对象检测模型的数据集
• 使用不同的工具注释数据集
• 在 Android 和 IOS 的自定义数据集上训练对象检测模型
• 将对象检测模型转换为 tflite (Tensorflow lite) 格式
• 在 Android (Java/Kotlin) 中使用这些转换后的模型与图像和实时摄像机镜头
• 在 Android (Java/Kotlin) 中使用现有的对象检测模型，例如 YOLO v4、SSD EfficientDet 模型和 SSD MobileNet 模型

准备使用资源

该课程附带现成的代码，这意味着如果您有训练有素的对象检测模型，那么

• 您可以从课程资源中获取完整的 android (Java/Kotlin) 应用程序代码
• 用您的自定义模型替换对象检测模型
• 并将其用于您的自定义用例

如果您想将 Android 中现有的对象检测模型用于您的自定义用例，那么您可以从课程资源中获取完整的 android (Java/Kotlin) 应用程序代码并根据您的需要进行定制。

对IOS 开发者有什么用？

所以除了 Android，如果你想为 IOS 应用程序训练自定义对象检测模型，那么你也可以参加本课程，但本课程不包括在 IOS 应用程序中集成对象检测模型

物体检测

对象检测是一种计算机视觉技术，它使我们能够识别和定位图像或视频中的对象。

用例和应用程序

视频监控

人群计数

异常检测（即在农业和医疗保健等行业）

自动驾驶汽车

课程设置

课程分为几个部分

数据收集和注释

在本节中，我们将介绍数据集收集和注释的基础知识，然后

我们将学习收集数据集以训练对象检测模型

之后，我们将学习使用 Roboflow 和其他此类工具注释该数据集

训练对象检测模型

我们将学习使用我们收集和注释的数据集来训练对象检测模型。

测试和转换

训练模型后，我们将对其进行测试以检查模型性能和准确性

然后我们将它转​​换成 tflite (Tensorflow lite) 格式，以便我们可以在移动应用程序中使用它。

安卓应用开发

在模型训练和转换之后，我们将学习在 Android 应用程序 (Java/Kotlin) 中使用该模型

图片

现场摄像机镜头

图像对象检测

因此，首先我们将构建一个 Android (Java/Kotlin) 应用程序，其中

用户可以从图库中选择图像或使用相机拍摄图像

然后这些图像将传递给我们的自定义对象检测模型

然后根据模型返回的结果，我们将在检测到的对象周围绘制矩形。

使用实时摄像机镜头进行对象检测

其次，我们将构建一个 Android (Java/Kotlin) 应用程序，其中

我们将使用摄像机 2 API 显示实时摄像机镜头

然后我们将实时摄像机画面的帧传递给我们的对象检测模型

并在检测到的对象周围实时绘制矩形

现有的物体检测模型

我们将学习在 Android (Java/Kotlin) 应用程序中使用现有的对象检测模型，包括图像和实时摄像机镜头。

因此，在该部分中，我们探索了三个流行的对象检测模型系列，并在 Android（Java/Kotlin）应用程序中使用它们。

• SSD MobileNet 模型
• 高效的 IT 模型
• YOLO 模型
• SSD MobileNet 模型

在本节中，我们将学习在 Android (Java/Kotlin) 中使用 SSD MobileNet 模型以及图像和实时摄像机镜头。

首先我们将了解 MobileNet 模型的结构，然后我们将使用 Android（Java/Kotlin）中两个流行的 MobileNet 模型，它们是

• SSD MobileNet V1
• SSD MobileNet v3
• 高效的 IT 模型

在本节中，我们将学习在 Android (Java/Kotlin) 中使用 EfficientDet 模型来处理图像和实时摄像机镜头。

首先我们将了解 EfficientDet 模型的结构，然后我们将使用 Android（Java/Kotlin）中两个流行的 EfficientDet 模型，它们是

• EfficientDet Lite0
• EfficientDet Lite1
• EfficientDet Lite2
• EfficientDet Lite3
• YOLO 模型

在本节中，我们将学习在 Android (Java/Kotlin) 中使用最新的 YOLO V4 模型以及图像和实时摄像机镜头。我们还将介绍 YOLO 模型结构以及如何在 YOLO 中有效地处理输入和输出。除此之外，我们将处理 Android 中常规 YOLO V4 模型和微型 YOLO v4 模型与图像和实时摄像机镜头的集成。

本课程适用于谁

• 有人想训练自定义对象检测模型并构建移动应用程序
• Android 开发人员希望构建基于智能机器学习的 Android 应用程序
• IOS 开发者希望为 IOS 应用程序训练自定义对象检测模型（本课程不包括 IOS 模型集成）
• 具备 Android 应用开发基础知识并希望构建基于智能机器学习的 Android 应用程序的学生
• 想要学习在 Android 中使用现有对象检测模型（YOLO、EfficientDet、mobileNet）的学生
• 机器学习工程师希望在 Android 中使用他们现有的对象检测模型