TFLite模型在Kotlin Android应用中预测结果完全异常求助

一、模型转换环节排查 #

• 确认TFLite转换命令是否添加--include_metadata参数，缺失该参数会导致模型丢失类别等关键元数据，引发置信度计算错乱。
• 检查转换时--img-size参数是否与训练阶段的输入尺寸完全一致（如640x640），尺寸不匹配会直接导致输出结果异常。
• 用Python的tflite.Interpreter加载转换后的模型做本地测试：输入同一张验证图，对比原YOLOv5模型的输出框和置信度，如果此处就出现异常，说明转换过程存在问题。

二、Android端预处理环节排查 #

• 图像缩放方式：必须采用「保持比例+填充黑边（letterbox）」的方式，禁止直接拉伸图像，否则物体形态扭曲会触发误检。
• 归一化逻辑：严格对齐训练时的归一化规则，比如YOLOv5默认是将像素值除以255.0缩至[0,1]区间，Android端代码不能用[-1,1]或其他方式替代。
• 通道顺序：将Android Bitmap的ARGB格式转换为RGB格式，避免因BGR/RGB通道颠倒导致颜色特征错乱，引发无意义检测。

三、后处理环节排查 #

• 检查置信度阈值设置：若阈值过低（如0.01以下），会过滤不掉大量无效检测框，出现随机无物体区域的bounding box。建议先将阈值设为0.5测试。
• 确认类别映射表与模型输出索引完全匹配：比如原模型第0类为person，Android端类别列表第0类不能是其他类别，否则会出现类别识别错乱，甚至单类别置信度异常。
• 验证输出张量解析逻辑：YOLOv5 TFLite输出通常为[1, 25200, 85]（前4位是坐标、第5位是框置信度、后80位是类别概率），需确保代码正确提取各字段，若误将类别概率当成框置信度，会出现某一类概率为100%的情况。

四、推理环境配置排查 #

• 切换推理后端测试：若启用了NNAPI或GPU加速，部分设备对特定算子支持不完善会导致输出异常，可先切换为CPU推理验证。
• 确认输入张量形状：模型输入通常为[1, 640, 640, 3]（NHWC格式），Android端创建的输入张量必须严格匹配，不能混淆为NCHW格式（[1,3,640,640]）。

内容的提问来源于stack exchange，提问作者Fatema Shawki