roboflowを用いたデータセットの準備

・roboflowを使用してアノテーション作成と水増しデータ作成
　→少ないデータであれば無料枠でできるため個人的におすすめ
　 https://app.roboflow.com/
・以下参考
https://qiita.com/Y_R_/items/07ced51178b38f7b2bde
https://zenn.dev/nexis_r/articles/0f0ab8670af844

学習データの準備

・以下参考(ただし、roboflowを使うとアノテーションファイルなども自動で作成してくれるので便利)
https://qiita.com/ryuka0610/items/a47fd253708a98d3726c
・準備した学習データはGoogleドライブに保存しGoogle Colabから参照できるようにする。
https://www.kikagaku.co.jp/kikagaku-blog/google-colab-drive-mount/

Google Colabを用いたYolov11モデル学習

・ランタイムのタイプはGPUを指定する必要がある。

# 必要なライブラリをインポート
!pip install ultralytics
!pip install torch torchvision torchaudio --upgrade

#モデルの学習(model=yolo11n.yamlとすることで事前学習済みモデルを使用せずに学習できる模様)
!yolo train data=/content/drive/MyDrive/dataset/data.yaml model=yolo11n.yaml epochs=100 imgsz=1280

上記の実行が成功すると以下のYolov11のモデルが生成される。
/content/drive/MyDrive/dataset/runs/detect/train/weights/best.pt

Yolov11をTFLite形式にエクスポート

# 必要なライブラリをインポート(2025/1/31時点ではバージョンを以下に合わせないとエラーになった)
!pip install --upgrade onnx onnx-tf typeguard
!pip install tensorflow==2.16.1
!pip install tf-keras==2.16.0
!pip install ultralytics


from ultralytics import YOLO
# YOLOモデルの読み込み
model = YOLO("best.pt")

# TFLite形式にエクスポート（imgszは省略可能）
model.export(format="tflite", imgsz=(1280, 1280))

検証環境構築&検証

・以下参考。
・作成したTFLite形式のモデルをassetsに配置およびlabels.txtのラベル名を学習時のモデルに合わせて変更。
・Constants.ktのMODEL_PATHを作成したTFLite形式のモデル名に変更。
https://github.com/surendramaran/YOLOv8-TfLite-Object-Detector/tree/main/app/src/main/assets
https://github.com/surendramaran/YOLOv8-TfLite-Object-Detector/blob/main/app/src/main/java/com/surendramaran/yolov8tflite/Constants.kt
https://qiita.com/john-rocky/items/ee69f8a396655d739e4b