随着大众安全意识的日益提升，AI家庭安防受到的重视愈发显著。
近几年的数据显示，从中国智能家居产品用户需求度情况来看，家庭安防最为突出，需求度高达 92%。
资料来源：CSHIA Research 前瞻产业研究院
家庭安防系统听上去颇为繁琐，但随着AI技术的不断提升，特别是有了AidLux这种降低AI应用开发和部署门槛的平台之后；
大家用一部安卓手机就能轻松实现AI识别非法潜入、将告警信息第一时间推送给业主等智能安防功能。
最近就有开发者分享了自己通过使用安装AidLux的手机DIY的一款家庭安防告警AI应用。
AidLux致力于持续降低AI应用开发和落地技术门槛，专注解决AIoT异构及碎片化问题。
作为跨生态融合与AI能力优势兼备的强大平台，AidLux不仅为AI项目开发、部署、落地提供了全流程的工具链支持，还能有效增强芯片性能——验证发现，搭载AidLux的高通芯片性能提升效果能够超越官方数据30%以上。
实现家庭安防告警，判断屋内是否有人潜入，首先需要编写一套人体检测代码。
在Yolov5官网下载常用于目标检测的整套代码和模型，并在电脑上安装Pycharm和Conda环境；
有前面整套代码后，按照requirements文件中的说明，下载一系列依赖库；
然后修改模型文件的路径，再使用Yolov5的推理代码进行推理测试，就能看到效果图片。
由于Yolov5推理时使用的是CoCo数据集训练的模型，包含多种类别，因此图片中能检测出人体和车辆。
但此次要做的家庭安防告警系统主要检测人体，所以需要修改检测代码，过滤非人体类别的判断。
CoCo中person的类别是0
让结果只输出人体检测框。
通过PC端能够实现业务逻辑的整个流程了，但项目实际使用时，最好运行在手机等移动设备才便于对屋内情况进行监控。
一般情况下，要让项目运行在安卓手机上，需要C++、Java、Python等多类工程师经过多次封装测试才能发布:
先将PC上编写的代码封装成Android SO库（C++）；经过测试后，再封装JNI调用SO库；最终在Android上使用Java调用JNI，再进行测试发布。
而使用AidLux，可以将PC端编写的Python代码直接迁移到手机等移动安卓设备上，测试后即可发布，大幅缩减了开发部署时间周期和人力成本。
要想让模型运算速率更快、效果更佳，可以先将训练好的pt模型转换成tflite模型。
在PC端打开yolov5代码，找到对应文件（export.py）修改一个配置函数以及模型格式，就能得到转换后的yolov5 tflite模型。
再把经过训练、测试、转换的人体检测模型通过AidLux部署到安卓手机上。
使用Cloud_ip，在电脑上访问AidLux。
默认密码为aidlux
通过云端桌面访问文件夹，将打包好的的模型文件上传到Home目录下；
打开AidCode，安装好所需要的依赖库；最后选择文件直接运行代码，即可看到检测效果。此时电脑端和手机端都能实时看到检测画面。
当然，在实际使用中，家庭安防告警项目还需要进行数据储存和信息反馈，在有人进入时发出警告并实时推送到手机，显示入侵者照片。
例如通过接入微信服务号实时提醒
对此，AidLux开发者也为大家提供了一些方法，可以在开发者社区查看详情。
如果你也有AI应用创意要分享，同样欢迎在AidLux开发者社区发帖。
通过认证审核之后，即可成为AidLux认证开发者，免费领取7T算力的边缘计算设备。
还有更多认证开发者专属权益，等你来解锁！
期待在AidLux的帮助下，每个人都能轻松落地AI应用。下期见！
https://www.bilibili.com/vide...
