1、目标检测：支持自己训练的模型推理

2、目标检测：支持yolo12模型
3、支持JDK8使用
4、引入离线依赖库，支持完全离线使用
5、优化FaceNet人脸比对速度
6、支持4通道图片检测

examples/pom.xml

@@ -12,7 +12,7 @@
         <maven.compiler.source>11</maven.compiler.source>
         <maven.compiler.target>11</maven.compiler.target>
         <project.build.sourceEncoding>UTF-8</project.build.sourceEncoding>
-        <smartjavaai.version>1.0.12</smartjavaai.version>
+        <smartjavaai.version>1.0.13</smartjavaai.version>
         <!--如果打包运行，需要替换成你的main-->
         <exec.mainClass>smartai.examples.face.facerec.RetinaFaceDemo</exec.mainClass>
 
@@ -104,6 +104,14 @@
         </dependency>
 
 
+        <dependency>
+            <groupId>ai.djl.pytorch</groupId>
+            <artifactId>pytorch-jni</artifactId>
+            <version>2.5.1-0.32.0</version>
+            <scope>runtime</scope>
+        </dependency>
+
+
         <!-- windows平台 (保留对应平台的配置，可以减小包大小)-->
         <dependency>
             <groupId>org.bytedeco</groupId>
@@ -132,6 +140,15 @@
             <classifier>${javacv.platform.windows-x86_64}</classifier>
         </dependency>
 
+        <dependency>
+            <groupId>ai.djl.pytorch</groupId>
+            <artifactId>pytorch-native-cpu</artifactId>
+            <classifier>${djl.platform.windows-x86_64}</classifier>
+            <version>2.5.1</version>
+            <scope>runtime</scope>
+        </dependency>
+
+
 
         <!-- linux x86 平台 (保留对应平台的配置，可以减小包大小)-->
         <dependency>
@@ -161,6 +178,14 @@
             <classifier>${javacv.platform.linux-x86_64}</classifier>
         </dependency>
 
+        <dependency>
+            <groupId>ai.djl.pytorch</groupId>
+            <artifactId>pytorch-native-cpu</artifactId>
+            <classifier>${djl.platform.linux-x86_64}</classifier>
+            <version>2.5.1</version>
+            <scope>runtime</scope>
+        </dependency>
+
 
         <!-- macOS M系列 平台  (保留对应平台的配置，可以减小包大小)-->
         <dependency>
@@ -190,6 +215,14 @@
             <classifier>${javacv.platform.macosx-arm64}</classifier>
         </dependency>
 
+        <dependency>
+            <groupId>ai.djl.pytorch</groupId>
+            <artifactId>pytorch-native-cpu</artifactId>
+            <classifier>${djl.platform.osx-aarch64}</classifier>
+            <version>2.5.1</version>
+            <scope>runtime</scope>
+        </dependency>
+
 
         <!-- linux aarch64 平台 (保留对应平台的配置，可以减小包大小)-->
         <dependency>
@@ -220,8 +253,13 @@
             <classifier>${javacv.platform.linux-arm64}</classifier>
         </dependency>
 
-
-
+        <dependency>
+            <groupId>ai.djl.pytorch</groupId>
+            <artifactId>pytorch-native-cpu-precxx11</artifactId>
+            <classifier>${djl.platform.linux-aarch64}</classifier>
+            <version>2.5.1</version>
+            <scope>runtime</scope>
+        </dependency>
 
 
 

examples/src/main/java/smartai/examples/face/facerec/FaceNetDemo.java

@@ -54,14 +54,17 @@ public class FaceNetDemo {
     @Test
     public void testExtractFeaturesWithCustomConfig(){
         try {
-            //人脸特征提取模型
-            FaceModel faceModel = FaceModelFactory.getInstance().getModel(
-                    new FaceModelConfig(FaceModelEnum.FACENET_FEATURE_EXTRACTION));
+            //人脸模型参数
+            FaceModelConfig config = new FaceModelConfig();
+            config.setModelEnum(FaceModelEnum.FACENET_FEATURE_EXTRACTION);
             //人脸特征提取参数
             FaceExtractConfig extractConfig = new FaceExtractConfig();
             //人脸检测模型配置
-            extractConfig.setDetectModelConfig(new FaceModelConfig(FaceModelEnum.ULTRA_LIGHT_FAST_GENERIC_FACE));
-            List<float[]> faceResult = faceModel.extractFeatures("src/main/resources/kana1.jpg",extractConfig);
+            extractConfig.setDetectModel(FaceModelFactory.getInstance().getModel(new FaceModelConfig(FaceModelEnum.ULTRA_LIGHT_FAST_GENERIC_FACE)));
+            config.setExtractConfig(extractConfig);
+            //人脸特征提取模型
+            FaceModel faceModel = FaceModelFactory.getInstance().getModel(config);
+            List<float[]> faceResult = faceModel.extractFeatures("src/main/resources/kana1.jpg");
             log.info("人脸特征提取结果：{}", JSONObject.toJSONString(faceResult));
         }catch (Exception e){
             e.printStackTrace();
@@ -94,13 +97,16 @@ public class FaceNetDemo {
     @Test
     public void testExtractTopFaceFeatureWithCustomConfig(){
         try {
-            //人脸特征提取模型
-            FaceModel faceModel = FaceModelFactory.getInstance().getModel(
-                    new FaceModelConfig(FaceModelEnum.FACENET_FEATURE_EXTRACTION));
+            //人脸模型参数
+            FaceModelConfig config = new FaceModelConfig();
+            config.setModelEnum(FaceModelEnum.FACENET_FEATURE_EXTRACTION);
             //人脸特征提取参数
             FaceExtractConfig extractConfig = new FaceExtractConfig();
             //人脸检测模型配置
-            extractConfig.setDetectModelConfig(new FaceModelConfig(FaceModelEnum.ULTRA_LIGHT_FAST_GENERIC_FACE));
+            extractConfig.setDetectModel(FaceModelFactory.getInstance().getModel(new FaceModelConfig(FaceModelEnum.ULTRA_LIGHT_FAST_GENERIC_FACE)));
+            config.setExtractConfig(extractConfig);
+            //人脸特征提取模型
+            FaceModel faceModel = FaceModelFactory.getInstance().getModel(config);
             float[] faceResult = faceModel.extractTopFaceFeature("src/main/resources/kana1.jpg");
             log.info("人脸特征提取结果：{}", JSONObject.toJSONString(faceResult));
         }catch (Exception e){

examples/src/main/java/smartai/examples/objectdetection/ObjectDetection.java

@@ -13,8 +13,8 @@ import ai.djl.repository.zoo.ZooModel;
 import ai.djl.training.util.ProgressBar;
 import cn.smartjavaai.common.entity.DetectionResponse;
 import cn.smartjavaai.common.enums.DeviceEnum;
-import cn.smartjavaai.objectdetection.DetectorModelConfig;
-import cn.smartjavaai.objectdetection.DetectorModelEnum;
+import cn.smartjavaai.objectdetection.config.DetectorModelConfig;
+import cn.smartjavaai.objectdetection.enums.DetectorModelEnum;
 import cn.smartjavaai.objectdetection.exception.DetectionException;
 import cn.smartjavaai.objectdetection.model.DetectorModel;
 import cn.smartjavaai.objectdetection.model.ObjectDetectionModelFactory;
@@ -62,7 +62,7 @@ public class ObjectDetection {
     @Test
     public void objectDetection2(){
         DetectorModelConfig config = new DetectorModelConfig();
-        config.setModelEnum(DetectorModelEnum.SSD_300_RESNET50);//检测模型，目前支持19种模型
+        config.setModelEnum(DetectorModelEnum.SSD_300_RESNET50);//检测模型，目前支持19种预置模型
         DetectorModel detectorModel = ObjectDetectionModelFactory.getInstance().getModel(config);
         DetectionResponse detectionResponse = detectorModel.detect("src/main/resources/dog_bike_car.jpg");
         log.info("目标检测结果：{}", JSONObject.toJSONString(detectionResponse));
@@ -110,5 +110,35 @@ public class ObjectDetection {
     }
 
 
+    /**
+     * 使用yolo官方模型检测
+     */
+    @Test
+    public void objectDetectionWithOfficialModel(){
+        DetectorModelConfig config = new DetectorModelConfig();
+        //也支持YoloV8：YOLOV8_OFFICIAL 模型可以从文档中提供的地址下载
+        config.setModelEnum(DetectorModelEnum.YOLOV12_OFFICIAL);//检测模型，目前支持19种模型
+        // 指定模型路径，需要更改为自己的模型路径
+        config.setModelPath("/Users/xxx/Documents/develop/face_model/yolov12n.onnx");
+        DetectorModel detectorModel = ObjectDetectionModelFactory.getInstance().getModel(config);
+        //一定要将yolo官方的类别文件：synset.txt（文档中下载）放在模型同目录下，否则报错
+        detectorModel.detectAndDraw("src/main/resources/object_detection.jpg","output/object_detection_detected.png");
+    }
+
+    /**
+     * 使用自己训练的模型检测
+     */
+    @Test
+    public void objectDetectionWithCustomModel(){
+        DetectorModelConfig config = new DetectorModelConfig();
+        //也支持YoloV8：YOLOV8_CUSTOM 模型需要自己训练，训练教程可以查看文档
+        config.setModelEnum(DetectorModelEnum.YOLOV12_CUSTOM);//自定义YOLOV12模型
+        // 指定模型路径，需要更改为自己的模型路径
+        config.setModelPath("/Users/xxx/Documents/develop/fire_model/best.onnx");
+        DetectorModel detectorModel = ObjectDetectionModelFactory.getInstance().getModel(config);
+        //一定要将类别文件：synset.txt 放在模型同目录下，否则报错(具体请参看文档)
+        detectorModel.detectAndDraw("/Users/xxx/Downloads/test.jpg","output/test_detected.jpg");
+    }
+
 
 }