Android Studio集成TFLite模型仅首个Toast执行 无法获取推理输出

问题表现 #

• 基于TFLite实现手语识别时，已完成模型导入、Bitmap参数传入，但应用运行无响应
• 添加5个Toast做执行节点标记，仅标记为「Toast-1」的提示能正常弹出，后续逻辑无执行反馈
• 无法定位故障根源，同时不清楚如何处理模型推理输出、通过Toast展示识别结果

对应实现代码如下：

private void processImage() {
    imageConverter.run();
    rgbFrameBitmap = Bitmap.createBitmap(previewWidth, previewHeight, Bitmap.Config.ARGB_8888);
    rgbFrameBitmap.setPixels(rgbBytes, 0, previewWidth, 0, 0, previewWidth, previewHeight);
    //Do your work here


    try {
        Model model = Model.newInstance(getApplicationContext());

        Toast.makeText(this, "Toast-1", Toast.LENGTH_SHORT).show();
        // Creates inputs for reference.
        TensorBuffer inputFeature0 = TensorBuffer.createFixedSize(new int[]{1, 1, 1, 3}, DataType.UINT8);

        TensorImage tensorImage = new TensorImage(DataType.UINT8);
        tensorImage.load(rgbFrameBitmap);
        ByteBuffer byteBuffer = tensorImage.getBuffer();
        inputFeature0.loadBuffer(byteBuffer);

        Toast.makeText(this, "Toast-2", Toast.LENGTH_SHORT).show();
        // Runs model inference and gets result.
        Model.Outputs outputs = model.process(inputFeature0);
        TensorBuffer outputFeature0 = outputs.getOutputFeature0AsTensorBuffer();
        TensorBuffer outputFeature1 = outputs.getOutputFeature1AsTensorBuffer();
        TensorBuffer outputFeature2 = outputs.getOutputFeature2AsTensorBuffer();
        TensorBuffer outputFeature3 = outputs.getOutputFeature3AsTensorBuffer();
        TensorBuffer outputFeature4 = outputs.getOutputFeature4AsTensorBuffer();
        TensorBuffer outputFeature5 = outputs.getOutputFeature5AsTensorBuffer();
        TensorBuffer outputFeature6 = outputs.getOutputFeature6AsTensorBuffer();
        TensorBuffer outputFeature7 = outputs.getOutputFeature7AsTensorBuffer();

        
        Toast.makeText(this, outputFeature0.toString(), Toast.LENGTH_LONG).show();
        
        Toast.makeText(this, "Toast-3 Model Run Successfully", Toast.LENGTH_SHORT).show();
        // Releases model resources if no longer used.
        model.close();
    } catch (IOException e) {
        // TODO Handle the exception
        Toast.makeText(this, "Toast-4 Scan Failed,Again Trying..", Toast.LENGTH_SHORT).show();
    }

    Toast.makeText(this, "Toast-5 Again startinng", Toast.LENGTH_SHORT).show();
    postInferenceCallback.run();
}

故障根因 #

1. 输入张量尺寸不匹配直接触发异常：代码中创建输入张量时写死尺寸为{1,1,1,3}，仅支持1*1像素3通道的输入，但实际传入的是相机预览尺寸的Bitmap，缓冲区大小和张量要求的大小差几个数量级，执行inputFeature0.loadBuffer(byteBuffer)时会直接抛出IllegalArgumentException。但当前catch块仅捕获IOException，异常未被处理，直接中断当前线程执行，所以Toast-2及后续逻辑都不会运行。
2. 模型初始化逻辑不合理：每次处理相机帧都重新创建Model实例，相机帧回调是高频触发逻辑，反复加载模型会造成严重卡顿、甚至触发ANR。
3. 输出解析逻辑错误：直接调用outputFeature0.toString()只能拿到对象地址信息，无法获取实际推理结果。
4. 缺少输入预处理：直接传入原尺寸的相机帧，没有缩放到模型训练时要求的输入尺寸，就算尺寸校验通过，推理结果也会完全错误。

修复方案 #

• 修正输入张量尺寸：打开自动生成的Model类，查看模型实际要求的输入宽高（常见手语分类模型输入尺寸为224224、128128等），替换创建输入张量的尺寸参数，例如模型要求224*224分辨率3通道输入时，写为TensorBuffer.createFixedSize(new int[]{1, 224, 224, 3}, DataType.UINT8)
• 补充输入预处理：传入张量前将相机帧Bitmap缩放到模型要求的尺寸，示例代码：

// 替换为模型实际要求的输入宽高
int inputSize = 224;
Bitmap scaledBmp = Bitmap.createScaledBitmap(rgbFrameBitmap, inputSize, inputSize, true);
tensorImage.load(scaledBmp);
ByteBuffer byteBuffer = tensorImage.getBuffer();
inputFeature0.loadBuffer(byteBuffer);

• 扩大异常捕获范围：将catch块的捕获类型改为Exception，同时打印错误日志方便排查：

catch (Exception e) {
    Log.e("ASL_DETECT", "推理流程出错", e);
    Toast.makeText(this, "错误：" + e.getMessage(), Toast.LENGTH_SHORT).show();
}

• 优化模型初始化逻辑：将Model实例初始化移到onCreate等生命周期方法中，只初始化一次，在onDestroy生命周期中调用model.close()释放资源，不要每帧都新建实例。
• 正确解析推理输出：分类类手语识别模型的输出一般为置信度数组，每个位置对应一个类别的置信度，遍历数组找到最大值对应的索引，匹配提前定义的标签列表即可拿到识别结果，示例代码：

// 标签列表顺序必须和模型训练时的类别顺序完全一致
String[] aslLabels = new String[]{"A","B","C","你好","谢谢"/* 补全所有模型支持的手语类别 */};
float[] resultArray = outputFeature0.getFloatArray();
int maxIdx = 0;
float maxScore = 0f;
for (int i = 0; i < resultArray.length; i++) {
    if (resultArray[i] > maxScore) {
        maxScore = resultArray[i];
        maxIdx = i;
    }
}
// 可自行调整置信度阈值，过滤误识别
if (maxScore > 0.7f) {
    String showText = "识别结果：" + aslLabels[maxIdx] + " 置信度：" + String.format("%.2f", maxScore);
    Toast.makeText(this, showText, Toast.LENGTH_SHORT).show();
}

• 核对输出张量个数：不要硬写8个输出获取逻辑，对照Model类中定义的输出字段，只取实际存在的输出张量即可，多余的getOutput调用也会触发异常。

内容的提问来源于stack exchange，提问作者PRAJWAL