)
YOLO人体关键点检测：Android端上部署YOLOv8-Pose YOLO11-Pose YOLO26-Pose(含源码，支持CPU和GPU)
目录
YOLO人体关键点检测：Android端上部署YOLOv8-Pose YOLO11-Pose YOLO26-Pose(含源码，支持CPU和GPU)
1. 前言
2. 部署框架MNN
3. 导出MNN模型
4. Android端上部署模型
（1） 版本说明
（2） JNI接口实现
（3） 性能测试
（4） 一些异常错误解决方法
5. Android测试效果
6. MNN C++ 部署模型
7.项目源码下载
1. 前言
在边缘计算场景中，模型部署的灵活性和性能是开发者最关注的两个核心问题。Ultralytics 系列模型凭借其出色的精度与速度平衡，已成为目标检测领域的事实标准。而 MNN（Mobile Neural Network）作为阿里巴巴开源的轻量级推理引擎 ，凭借其极小的体积和跨平台能力，成为了移动端和嵌入式设备部署 YOLO 系列模型的理想选择。
本文将深入探讨如何使用 MNN 的 C++ API 在Android手机上部署人体关键点检测模型，如YOLOv8n-pose、YOLO11n-pose 以及最新的 YOLO26n-pose 模型，并覆盖 CPU 与 GPU（OpenCL）两种推理后端。Android版本的YOLO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，CPU(4线程)约120ms左右，GPU约45ms左右 ，基本满足业务的性能需求。
下表给出人体关键点检测模型YOLOv8n-pose、YOLO11n-pose和YOLO26n-pose模型，在Android端上使用MNN部署的性能测试(含图像预处理+模型推理+后处理等)，开启GPU(OpenCL)加速可以达到准实时的检测效果。如果你想进一步提升性能，可以将模型输入分辨率640×640改为416×416。
| 模型 | input-size | params(M) | CPU(4线程) | GPU(OpenCL) |
| YOLOv8n-pose | 640×640 | 3.15M | 88ms | 51ms |
| YOLO11n-pose | 640×640 | 2.62M | 85ms | 50ms |
| YOLO26n-pose | 640×640 | 2.41M | 82ms | 45ms |
先展示一下Android Demo检测的效果
Android APP Demo体验：https://download.csdn.net/download/guyuealian/93484113
【尊重原创，转载请注明出处】https://blog.csdn.net/guyuealian/article/details/166251241
2. 部署框架MNN
GitHub：https://github.com/alibaba/MNN
MNN 是阿里巴巴集团开源的轻量级深度学习推理框架，旨在为移动端、嵌入式设备提供高效的模型部署能力。它已在**宝、**猫、钉钉等 30 多个阿里系应用中大规模使用，每天运行数百万次推理。MNN 支持 TensorFlow、Caffe、ONNX 等主流模型格式转换，兼容 CNN、RNN、GAN、Transformer 等常见网络结构，并针对 CPU、GPU、NPU 等硬件后端进行了深度优化。 在 CPU 端，MNN 不依赖第三方计算库，通过手写汇编、Winograd 卷积、多线程调度和内存复用等方式充分发挥 ARM CPU 算力；在 GPU 端，它支持 OpenCL、Vulkan、Metal、CUDA 等多种加速后端，其中 Android 平台可使用 OpenCL/Vulkan，iOS/macOS 平台可使用 Metal，PC/服务器端还可使用 CUDA。 对于需要更高性能的场景，开启 GPU 加速后推理速度通常可提升数倍，部分机型甚至可获得更明显的加速效果。
此外，MNN 还支持 INT4/INT8/FP16 等低精度量化、算子融合、图优化和异构计算，能够在保持模型精度的同时显著降低推理延迟和内存占用。 结合其轻量的库体积、完善的 Python/C++ API 以及跨平台部署能力，MNN 非常适合作为本项目 Android 端推理后端。
3. 导出MNN模型
在开始 C++ 部署之前，首先需要将训练好的 PyTorch 模型导出为 MNN 格式。Ultralytics 提供了便捷的导出接口，支持 FP32、FP16 和 INT8 三种精度。
以 YOLO26n-pose 为例，导出命令如下：
需要安装依赖库： pip install onnx onnxsim onnxruntime mnn
from ultralytics import YOLO # 加载模型 model = YOLO("yolo26n-pose.pt") # 导出为 MNN 格式（默认 FP32） model.export(format="mnn") # 或者导出 FP16 量化版本 model.export(format="mnn", half=True) # 或者导出 INT8 量化版本 model.export(format="mnn", int8=True)对于 YOLOv8 和 YOLO11，导出方式完全一致，只需替换对应的.pt模型文件即可导出的*.mnn文件包含了模型结构和权重。
4. Android端上部署模型
（1） 版本说明
Android Studio开发版本
请参考：Android项目常见问题解决办法
（2） JNI接口实现
Android Demo源码支持YOLOv8n-pose、 YOLO11n-pose以及YOLO26n-pose等模型。部署框架采用MNN，支持多线程CPU和GPU加速推理，在普通手机上可以实时处理。Android源码核心算法部分均采用C++实现，上层通过JNI接口调用。
package com.cv.dl.model; import android.graphics.Bitmap; public class Detector { static { System.loadLibrary("cvdl-lib"); } /*** * 初始化检测模型 * @param root：模型文件的根目录，放在assets文件夹下 * @param det_model： 检测模型 * @param rec_model： 识别模型(可选) * @param model_type：模型类型 * @param num_thread：开启线程数 * @param useGPU：是否开启GPU进行加速 */ public static native void init(String root, String det_model, String rec_model, int model_type, int num_thread, boolean useGPU); /*** * 进行检测(用于静态图) * @param bitmap 图像（bitmap），ARGB_8888格式 * @param score_thresh：置信度阈值 * @param iou_thresh： IOU阈值 * @return */ public static native FrameInfo[] detect(Bitmap bitmap, float score_thresh, float iou_thresh); }如果你想在这个Android Demo部署你自己训练的YOLO模型，你可将训练好的Pytorch模型转换成MNN模型，然后把MNN模型代替你模型即可。
（3） 性能测试
下表给出人体关键点检测模型YOLOv8n-pose、YOLO11n-pose和YOLO26n-pose模型，在Android端上使用MNN部署的性能测试(含图像预处理+模型推理+后处理等)，开启GPU(OpenCL)加速可以达到准实时的检测效果。如果你想进一步提升性能，可以将模型输入分辨率640×640改为416×416。
| 模型 | input-size | params(M) | CPU(4线程) | GPU(OpenCL) |
| YOLOv8n-pose | 640×640 | 3.15M | 88ms | 51ms |
| YOLO11n-pose | 640×640 | 2.62M | 85ms | 50ms |
| YOLO26n-pose | 640×640 | 2.41M | 82ms | 45ms |
（4） 一些异常错误解决方法
项目开发常见的问题，请参考：Android项目常见问题解决办法
5. Android测试效果
Android APP Demo体验：https://download.csdn.net/download/guyuealian/93484113
APP在普通Android手机上可以达到实时的效果，CPU(4线程)约120ms左右，GPU约50ms左右 ，基本满足业务的性能需求。如果你想进一步提升性能，可以将模型输入分辨率640×640改为416×416。
6. MNN C++ 部署模型
如果你需要使用MNN C++部署YOLOv8n-pose、YOLO11n-pose和YOLO26n-pose等模型，请参考：https://panjinquan.blog.csdn.net/article/details/166247855
7.项目源码下载
【Android APP体验】https://download.csdn.net/download/guyuealian/93441570
如需下载项目源码，WX请关注【AI吃大瓜】，回复【yolopose】即可下载
Android项目源码内容包含：
- 项目MNN Android源码支持人体关键点检测模型，如YOLOv8n-pose / YOLO11n-pose / YOLO26n-pose模型推理。你可以根据自己需要更改模型文件(model_file)和修改模型参数配置(YOLOParam)
- Android Demo源码支持CPU和GPU运行，CPU(4线程)YOLO26n 约120ms左右，GPU OpenCL约45ms左右。如果你想进一步提升性能，可以将模型输入分辨率640×640改为416×416。
- Android Demo支持图片，视频，摄像头测试
- OpenCV+base-utils+MNN所有依赖库都已经配置好，可直接build构建APP运行
