Flutter集成Google ML Kit后APK体积过大的优化方案求助

一、优化现有google_ml_kit的体积 #

1. 依赖单独的人脸检测子包 #

google_ml_kit包含多个ML模块，若仅需人脸检测，替换为单独的子包google_mlkit_face_detection，避免引入不必要的模块代码与资源。在pubspec.yaml中修改依赖：

dependencies:
  google_mlkit_face_detection: ^0.10.0  # 替换为最新版本

2. 启用Android App Bundle（AAB）分发 #

放弃传统APK打包，改用AAB格式发布。Google Play会根据用户设备的架构、语言等参数生成针对性的优化APK，用户实际下载的体积会大幅降低。在Flutter中执行打包命令：

flutter build appbundle

3. 过滤不必要的ABI架构 #

在android/app/build.gradle的defaultConfig中配置ABI过滤，仅保留主流移动设备架构，移除x86、x86_64等小众架构：

android {
    defaultConfig {
        ndk {
            abiFilters 'armeabi-v7a', 'arm64-v8a'
        }
    }
}

4. 开启代码混淆与资源压缩 #

在android/app/build.gradle的buildTypes/release中启用代码混淆与无用资源移除，进一步压缩体积：

buildTypes {
    release {
        minifyEnabled true
        shrinkResources true
        proguardFiles getDefaultProguardFile('proguard-android-optimize.txt'), 'proguard-rules.pro'
    }
}

5. 限制资源语言 #

若应用仅支持特定语言，在android/app/build.gradle中添加resConfigs，移除ML Kit自带的多余语言资源：

android {
    defaultConfig {
        resConfigs 'zh', 'en'  # 保留需要的语言代码
    }
}

二、替代方案 #

1. Firebase ML Kit（动态模型下载） #

Firebase ML Kit的人脸检测支持模型动态下载，初始APK不包含模型文件，首次运行时根据设备需求下载对应模型，大幅降低安装包体积。需在Firebase控制台启用ML Kit服务，并通过Flutter插件接入。

2. 基于TFLite的轻量级自定义实现 #

使用tflite_flutter插件部署轻量级人脸检测TFLite模型（如MobileNet SSD、MediaPipe Face Detection的TFLite版本），可自行选择体积更小的模型，严格控制打包进APK的资源大小。

3. 系统原生API实现 #

通过Flutter平台通道调用系统原生人脸检测API：

• Android：使用MediaPipe Face Detection或系统自带的FaceDetector API
• iOS：使用Vision框架的人脸检测能力
  无需引入第三方大体积库，仅需少量平台通道代码即可实现功能，体积增量极小。

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