TensorFlow Lite图像分类不同输入始终返回相同结果问题排查

核心问题表现 #

• 图像分类模型在Google Colab训练、测试时推理结果准确，搭配数据增强策略无过拟合问题
• 转换为TensorFlow Lite格式部署到安卓端后，任意输入图片均返回完全一致的50类商品概率，结果不随输入图片变化
• 安卓端当前推理逻辑：读取拍摄图片解码为Bitmap，缩放至600*600后转换为TensorImage，加载到形状为[1,300,300,3]、数据类型为FLOAT32的输入TensorBuffer执行推理，取概率最大值对应类别为结果

按优先级排查解决 #

1. 先验证输入链路有效性 #

• 在推理逻辑入口加调试代码，将待推理的Bitmap保存到手机公共存储目录，手动确认每次扫描不同商品时，保存的图片确实是当前拍摄的对应商品图，排除以下低级问题：
  • Uri工具类路径解析错误，每次都读取到应用内同一张默认占位图
  • Bitmap解码失败，每次返回同一个固定的默认Bitmap对象
  • 相机拍照逻辑异常，没有真正把拍摄的新图片写入存储
• 确认待推理Bitmap为三通道RGB格式，剔除ARGB格式的Alpha通道数据，避免无效通道值干扰输入。

2. 修正输入尺寸不匹配问题 #

当前逻辑存在明确尺寸错配：你将Bitmap缩放为600600分辨率，但模型输入要求的分辨率是300300，直接将600600的图片数据写入300300规格的TensorBuffer，会导致内存读取错位，模型实际拿到的是固定区域的无意义内存值，必然输出固定结果。

• 必须将Bitmap精确调用Bitmap.createScaledBitmap()缩放至300300分辨率*，缩放时将filter参数设为true保证像素插值正确，再传入TensorImage做后续处理。

3. 对齐训练时的归一化预处理逻辑 #

这是该类问题最高发的诱因（占同类问题90%以上）：

• 训练阶段为了匹配预训练权重的输入要求，一定会对0-255范围的原始像素值做归一化处理，常见规则有两种：
  • 映射到[0,1]区间：像素值除以255.0
  • 映射到[-1,1]区间：像素值除以127.5再减1.0
• 安卓端当前如果直接将0-255范围的原始像素值转为FLOAT32写入输入Buffer，输入数据分布和训练时差异达到百倍量级，模型会将所有输入判定为极端异常值，输出固定的默认概率。
• 回到训练Notebook确认你实际用的归一化规则，在安卓端TensorImage写入TensorBuffer后，对Buffer内的数值做完全一致的归一化计算即可。

4. 校验TFLite模型转换正确性 #

• 将转换完成的TFLite模型文件拉回Colab环境，用和原模型测试完全一致的图片加载到TFLite解释器做推理，对比TFLite输出和原训练模型的输出是否一致，排除转换过程中算子不兼容、权重损坏、输入输出张量顺序错乱的问题。
• 用模型可视化工具打开TFLite文件，确认模型输入张量的形状、数据类型和安卓端配置的TensorBuffer参数完全匹配，避免出现模型实际输入为[1,224,224,3]或者UINT8类型，你按[1,300,300,3] FLOAT32传参的错配问题。

5. 排查推理逻辑的内存复用问题 #

• 检查TensorBuffer的创建逻辑：不要全局复用同一个写入过固定值的TensorBuffer对象，每次推理前要清空Buffer内容，再写入新的图片数据，避免每次推理都重复使用第一次加载的旧图片数据计算。
• 确认通道顺序匹配：训练时输入为RGB通道顺序，安卓端Bitmap转Tensor时不要错用BGR顺序，避免输入数据语义错乱。

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