快捷導(dǎo)航

在Java中使用YOLO模型的幾種方式詳解

更新時(shí)間：2025年06月26日 09:47:21 作者：LeonDL168

Yolo是一種基于深度學(xué)習(xí)的目標(biāo)檢測(cè)算法,它可以在一張圖像中同時(shí)檢測(cè)出多個(gè)目標(biāo),并給出它們的位置和類別,相比于傳統(tǒng)的目標(biāo)檢測(cè)算法,Yolo算法具有檢測(cè)速度快、精度高等優(yōu)點(diǎn),本文給大家介紹了在Java中使用YOLO模型的幾種方式,需要的朋友可以參考下

1. 使用Deeplearning4j（DL4J）

特點(diǎn)：純Java深度學(xué)習(xí)框架，支持直接加載Darknet（YOLO原始框架）模型。

步驟：

轉(zhuǎn)換模型：將YOLO的.cfg和.weights文件轉(zhuǎn)換為DL4J支持的格式（如.zip）。
依賴添加：

<dependency>
    <groupId>org.deeplearning4j</groupId>
    <artifactId>deeplearning4j-core</artifactId>
    <version>1.0.0-beta7</version>
</dependency>

Java代碼示例：

// 加載模型
ComputationGraph model = ModelSerializer.restoreComputationGraph("path/to/model.zip");

// 圖像預(yù)處理
INDArray image = ImagePreProcessingScaler.scaleImageToTensor("path/to/image.jpg", 416, 416);

// 模型預(yù)測(cè)
INDArray output = model.outputSingle(image);

// 后處理（解析邊界框、置信度等）
List<Detection> detections = parseYOLOOutput(output);

優(yōu)缺點(diǎn)：

優(yōu)點(diǎn)：純Java實(shí)現(xiàn)，無(wú)需外部依賴，適合集成到Java項(xiàng)目中。
缺點(diǎn)：性能可能不如原生框架，模型轉(zhuǎn)換過(guò)程較復(fù)雜。

2. 通過(guò)OpenCV調(diào)用YOLO

特點(diǎn)：利用OpenCV的DNN模塊直接加載預(yù)訓(xùn)練的YOLO模型。

步驟：

依賴添加：

<dependency>
    <groupId>org.openpnp</groupId>
    <artifactId>opencv</artifactId>
    <version>4.5.5-1</version>
</dependency>

Java代碼示例：

// 加載OpenCV庫(kù)
System.loadLibrary(Core.NATIVE_LIBRARY_NAME);

// 加載YOLO模型
Net net = Dnn.readNetFromDarknet("yolov5.cfg", "yolov5.weights");
net.setPreferableBackend(Dnn.DNN_BACKEND_OPENCV);
net.setPreferableTarget(Dnn.DNN_TARGET_CPU);

// 讀取圖像并預(yù)處理
Mat image = Imgcodecs.imread("path/to/image.jpg");
Mat blob = Dnn.blobFromImage(image, 1/255.0, new Size(416, 416), 
                            new Scalar(0,0,0), true, false);

// 前向傳播
net.setInput(blob);
List<Mat> outputs = new ArrayList<>();
net.forward(outputs, getOutputsNames(net));

// 后處理
postProcess(image, outputs);

優(yōu)缺點(diǎn)：

優(yōu)點(diǎn)：OpenCV提供高效的圖像處理能力，支持GPU加速（需配置CUDA）。
缺點(diǎn)：需安裝OpenCV原生庫(kù)，依賴管理較復(fù)雜。

3. 使用TensorFlow/ONNX部署YOLO

特點(diǎn)：將YOLO轉(zhuǎn)換為TensorFlow或ONNX格式，通過(guò)Java API調(diào)用。

步驟：

轉(zhuǎn)換模型：將YOLO模型轉(zhuǎn)換為TensorFlow SavedModel或ONNX格式。
依賴添加（以O(shè)NNX Runtime為例）：

<dependency>
    <groupId>ai.onnxruntime</groupId>
    <artifactId>onnxruntime</artifactId>
    <version>1.13.1</version>
</dependency>

Java代碼示例：

// 加載ONNX模型
OrtEnvironment env = OrtEnvironment.getEnvironment();
OrtSession session = env.createSession("yolov5.onnx", new OrtSession.SessionOptions());

// 圖像預(yù)處理
float[][][][] input = preprocessImage("path/to/image.jpg");

// 模型推理
Map<String, OnnxTensor> inputs = new HashMap<>();
inputs.put("images", OnnxTensor.createTensor(env, input));
OrtSession.Result results = session.run(inputs);

// 后處理
processResults(results);

優(yōu)缺點(diǎn)：

優(yōu)點(diǎn)：TensorFlow/ONNX生態(tài)成熟，支持跨平臺(tái)部署，可利用TensorRT加速。
缺點(diǎn)：模型轉(zhuǎn)換需額外工具（如ultralytics庫(kù)），需了解不同框架的API。

4. 使用TensorRT Java API（高性能場(chǎng)景）

特點(diǎn)：針對(duì)NVIDIA GPU進(jìn)行深度優(yōu)化，適合高性能部署。

步驟：

轉(zhuǎn)換模型：將YOLO轉(zhuǎn)換為TensorRT引擎（.engine）。
依賴添加：

<dependency>
    <groupId>com.nvidia.developer</groupId>
    <artifactId>tensorrt</artifactId>
    <version>8.5.3.1</version>
</dependency>

Java代碼示例：

// 加載TensorRT引擎
Logger logger = new Logger();
Runtime runtime = Runtime.createRuntime(logger);
ICudaEngine engine = runtime.deserializeCudaEngine(ByteBuffer.wrap(Files.readAllBytes(Paths.get("yolov5.engine"))));

// 創(chuàng)建執(zhí)行上下文并推理
IExecutionContext context = engine.createExecutionContext();
// 執(zhí)行推理和后處理...

優(yōu)缺點(diǎn)：

優(yōu)點(diǎn)：極致的GPU性能，適合實(shí)時(shí)視頻流處理。
缺點(diǎn)：僅支持NVIDIA GPU，部署環(huán)境要求高，開發(fā)復(fù)雜度大。

5. 通過(guò)REST API調(diào)用Python服務(wù)

特點(diǎn)：將YOLO模型封裝為Python REST服務(wù)，Java通過(guò)HTTP調(diào)用。

步驟：

Python服務(wù)端（Flask/FastAPI）：

from flask import Flask, request, jsonify
import cv2
import torch

app = Flask(__name__)
model = torch.hub.load('ultralytics/yolov5', 'yolov5s')

@app.route('/detect', methods=['POST'])
def detect():
    file = request.files['image']
    img = cv2.imdecode(np.frombuffer(file.read(), np.uint8), cv2.IMREAD_COLOR)
    results = model(img)
    return jsonify(results.pandas().xyxy[0].to_dict())

Java客戶端：

HttpClient client = HttpClient.newHttpClient();
HttpRequest request = HttpRequest.newBuilder()
    .uri(URI.create("http://localhost:5000/detect"))
    .POST(MultipartBodyPublisher.of("image", Path.of("path/to/image.jpg")))
    .build();

HttpResponse<String> response = client.send(request, BodyHandlers.ofString());
// 解析JSON結(jié)果

優(yōu)缺點(diǎn)：