这是一个基于Rockchip RKNN运行时的Android YOLO11应用，支持：

• ✅ 目标检测 - 人脸/80类COCO目标检测（可切换模型），本项目基于WIDER_FACE数据集重新训练的人脸模型
• ✅ 目标跟踪 - 基于ByteTrack的人脸多目标跟踪

人脸检测与跟踪核心已独立为库模块 yolo11-lib，app 仅作为示例壳工程。

• 基于RKNN优化的YOLO11模型
• 支持arm64-v8a和armeabi-v7a架构
• 硬件加速推理（NPU）
• 人脸检测/80种COCO类别识别

• 多目标持久ID跟踪
• 处理遮挡和短时消失
• 卡尔曼滤波位置预测
• 可配置参数优化

yolo11/
├── yolo11-lib/                  # 🔥 独立的人脸检测/跟踪库模块
│   ├── src/main/cpp/            # C++ 核心（YOLO11 + ByteTrack + JNI）
│   ├── src/main/java/com/igrs/yolo11/
│   │   ├── YOLO11Detector.java  # 检测封装
│   │   └── YOLO11Tracker.java   # 跟踪封装
│   └── src/main/assets/
│       └── yolo11.rknn          # 人脸模型
│
├── app/                         # Demo 壳工程（依赖 yolo11-lib）
│   ├── src/main/java/com/igrs/yolo11/
│   │   ├── MainActivity.java
│   │   ├── ImageDetectionActivity.java
│   │   ├── TrackingActivity.java
│   │   ├── VideoTrackingActivity.java
│   │   └── CameraTrackingActivity.java
│   └── src/main/res/layout/
│       ├── activity_main.xml
│       ├── activity_tracking.xml
│       ├── activity_video_tracking.xml
│       └── activity_camera_tracking.xml
│
├── TRACKING_QUICKSTART.md       # 快速开始
├── TRACKING_USAGE.md            # 使用指南
└── TRACKER_API_EXAMPLES.java    # API示例

• Android Studio Arctic Fox (2020.3.1) 或更高版本
• NDK r21 或更高版本
• Gradle 7.0+
• 最低Android SDK: 24 (Android 7.0)
• 目标设备: Rockchip RK3576/RK3588等支持RKNN的设备

1. 克隆项目

git clone https://github.com/CWTakiku/FaceTrack.git
cd yolo11

2. 编译

./gradlew assembleDebug

3. 安装

./gradlew installDebug

或在Android Studio中直接运行项目。

运行 MainActivity（壳工程），选择图片进行目标检测，实际能力来自 yolo11-lib。

运行 TrackingActivity，选择图片进行目标跟踪；多次检测同一图片，观察ID保持不变。

如需在自有项目集成，只需添加模块依赖 implementation project(":yolo11-lib")，无需拷贝 demo 代码。

// 初始化检测器
YOLO11Detector detector = new YOLO11Detector();
String modelPath = YOLO11Detector.copyModelFromAssets(context, "yolo11.rknn");
detector.init(modelPath);

// 检测
List<YOLO11Detector.DetectionResult> results = detector.detect(bitmap);

// 绘制结果
YOLO11Detector.drawResults(bitmap, results);

// 释放
detector.release();

// 初始化检测器和跟踪器
YOLO11Detector detector = new YOLO11Detector();
detector.init(modelPath);

YOLO11Tracker tracker = new YOLO11Tracker(
    0.5f,   // trackThreshold
    30,     // trackBuffer  
    0.8f    // matchThreshold
);

// 检测并跟踪
List<YOLO11Tracker.TrackResult> tracks = 
    tracker.detectAndTrack(bitmap, 0.25f, 0.45f);

// 绘制结果（带ID）
tracker.drawTracks(bitmap, tracks);

// 释放
tracker.release();
detector.release();

• RK3588: ~30-50ms (640x640)
• RK3576: ~40-60ms (640x640)

• 跟踪开销: ~5-10ms (10个目标)
• 总延迟: 检测时间 + 跟踪时间

• 架构: YOLOv11n/s/m
• 输入: 640x640 RGB
• 输出: 80类COCO目标
• 后处理: NMS + 置信度过滤

• 算法: ByteTrack (ECCV 2022)
• 关联: IoU匹配 + 两级关联
• 预测: 简化卡尔曼滤波
• 状态管理: NEW → TRACKED → LOST → REMOVED

A:

• 单帧图像 → 使用 YOLO11Detector
• 连续帧/视频 → 使用 YOLO11Tracker

A: 调整参数：

// 提高匹配阈值
YOLO11Tracker tracker = new YOLO11Tracker(0.5f, 30, 0.9f);

A:

1. 减小输入图像尺寸
2. 使用跳帧处理
3. 调高检测置信度阈值
4. 减少跟踪的目标数量

A: 所有支持RKNN的Rockchip芯片：

• RK3588/RK3588S
• RK3576
• RK3566/RK3568
• RV1109/RV1126
• RV1106/RV1103

A: 可以！每个 YOLO11Tracker 实例独立管理轨迹：

YOLO11Tracker tracker1 = new YOLO11Tracker(); // 场景1
YOLO11Tracker tracker2 = new YOLO11Tracker(); // 场景2

本项目基于 Apache License 2.0 开源。

部分代码来自：

• Rockchip RKNN SDK
• ByteTrack算法实现
• YOLO11模型

欢迎提交Issue和Pull Request！

• 开发团队: IGRS YOLO11 Team
• 技术支持: 见项目Issue页面

• ✅ 新增ByteTrack目标跟踪功能
• ✅ 新增TrackingActivity演示应用
• ✅ 新增完整的跟踪API和文档
• ✅ 优化JNI接口性能

• ✅ YOLO11目标检测功能
• ✅ RKNN硬件加速
• ✅ MainActivity演示应用

感谢以下开源项目：

• Ultralytics YOLO
• ByteTrack
• Rockchip RKNN

🎉 开始使用YOLO11跟踪功能吧！查看 TRACKING_QUICKSTART.md 了解详情。