如何解决ML Kit人脸检测处理大量Bitmap时的OutOfMemoryError？

核心问题分析 #

你的OOM问题主要来自三个方面：协程挂起导致的资源泄漏、Bitmap内存未及时回收、Detector资源未正确管理，而非detector.close()本身失效。

具体修复步骤 #

1. 修复协程的异常处理与资源回收逻辑

你的analyze方法存在两个致命问题：

• addOnSuccessListener里的语法错误（results - 应为 results ->）
• addOnFailureListener未处理协程resume，导致失败时协程永久挂起，Bitmap和InputImage资源无法被GC回收

修正后的analyze方法：

@OptIn(ExperimentalCoroutinesApi::class)
suspend fun analyze(imageBitmap: Bitmap): Face? {
    return suspendCancellableCoroutine { cont ->
        val image: InputImage = InputImage.fromBitmap(imageBitmap, 0)

        detectInImage(image)
            .addOnSuccessListener { results ->
                val face = if (results.isNullOrEmpty()) null else results.firstOrNull()
                cont.resume(face)
                // 处理完立即回收Bitmap
                imageBitmap.recycle()
            }
            .addOnFailureListener { e ->
                cont.resume(null) { e.printStackTrace() }
                // 失败时同样回收Bitmap
                imageBitmap.recycle()
            }
            // 协程取消时也回收资源
            .addOnCompleteListener {
                if (cont.isCancelled) {
                    imageBitmap.recycle()
                }
            }
    }
}

2. 优化Detector的生命周期管理

你的detector是全局单例（private val），如果批量处理完成后未及时调用stop()，它会一直持有模型内存。必须在所有检测任务全部完成后调用stop()，而不是中途调用。

如果是在Activity/Fragment中处理，建议在组件销毁时调用：

override fun onDestroy() {
    super.onDestroy()
    stop()
}

如果是后台批量处理，处理完所有图片后立即调用：

// 假设你有一个批量处理方法
suspend fun processAllBitmaps(bitmaps: List<Bitmap>) {
    try {
        bitmaps.forEach { bitmap ->
            val face = analyze(bitmap)
            // 处理检测结果
        }
    } finally {
        // 所有任务完成后关闭检测器
        stop()
    }
}

3. 大幅降低Bitmap内存占用

2000多张Bitmap是OOM的主要元凶，你可以在检测前先压缩Bitmap：

• 缩小Bitmap尺寸：人脸检测不需要超高分辨率，将长边限制在1024px以内即可
• 转换为RGB_565格式：相比ARGB_8888，内存占用减少一半

示例压缩方法：

fun compressBitmap(original: Bitmap): Bitmap {
    val maxSize = 1024
    var width = original.width
    var height = original.height
    var scale = 1f

    if (width > maxSize || height > maxSize) {
        scale = if (width > height) maxSize.toFloat() / width else maxSize.toFloat() / height
    }

    val matrix = Matrix().apply { postScale(scale, scale) }
    return Bitmap.createBitmap(original, 0, 0, width, height, matrix, true)
        .copy(Bitmap.Config.RGB_565, false)
}

调用时先压缩再检测：

val compressedBitmap = compressBitmap(originalBitmap)
val face = analyze(compressedBitmap)
// 原始Bitmap也需要回收
originalBitmap.recycle()

4. 避免同时加载所有Bitmap

不要一次性把2000张Bitmap全部加载到内存，改用分批加载+处理：比如每次加载10张，处理完回收后再加载下一批，彻底避免内存过载。

额外注意事项 #

• 不要重复创建Detector：Detector初始化有开销，批量处理时创建一次即可，处理完再关闭
• 开启硬件加速：在AndroidManifest中给检测页面开启硬件加速，能减少ML Kit的内存占用
• 监控内存：使用Android Studio的Profiler工具，查看内存泄漏点，确认Bitmap和Detector资源是否被正确回收

内容的提问来源于stack exchange，提问作者saas