如何加载tflite模型并通过单张图片完成推理测试

• 首先安装依赖库：
  常规PC端测试直接安装全量依赖：pip install tensorflow opencv-python numpy
  边缘端轻量化测试可安装tflite-runtime替代全量TensorFlow。

实现代码 #

1. 导入依赖 #

import cv2
import numpy as np
import tensorflow as tf
# 若使用tflite-runtime，替换上方import语句为：
# import tflite_runtime.interpreter as tflite

2. 加载模型与标签 #

提前确认你导出的文件包含：模型文件xxx.tflite、标签文件labels.txt（标签顺序和训练时输出的类别顺序完全一致，一般为未跌倒、跌倒两类）

# 加载TFLite模型并分配张量
interpreter = tf.lite.Interpreter(model_path="替换为你的tflite模型路径")
interpreter.allocate_tensors()

# 自动读取模型输入输出参数，无需手动填写输入尺寸
input_details = interpreter.get_input_details()
output_details = interpreter.get_output_details()
input_height = input_details[0]['shape'][1]
input_width = input_details[0]['shape'][2]

# 加载标签列表
with open("替换为你的labels.txt路径", "r") as f:
    labels = [line.strip() for line in f.readlines()]

3. 预处理单张测试图片 #

预处理逻辑必须和训练时保持完全一致，否则会出现结果偏差

# 读取测试图片
img = cv2.imread("替换为你的单张测试图片路径")
# OpenCV默认读取格式为BGR，需转为模型训练使用的RGB格式
img_rgb = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)
# 调整尺寸匹配模型输入要求
img_resized = cv2.resize(img_rgb, (input_width, input_height))

# 按模型输入类型做归一化处理
input_dtype = input_details[0]['dtype']
if input_dtype == np.float32:
    # 浮点模型默认归一化到0~1区间，和TFLite Model Maker训练逻辑对齐
    input_data = np.expand_dims(img_resized / 255.0, axis=0).astype(input_dtype)
else:
    # 量化模型为uint8输入，无需归一化
    input_data = np.expand_dims(img_resized, axis=0).astype(input_dtype)

4. 执行推理并输出结果 #

# 输入数据并运行推理
interpreter.set_tensor(input_details[0]['index'], input_data)
interpreter.invoke()

# 解析输出结果
output_data = interpreter.get_tensor(output_details[0]['index'])[0]
max_conf_idx = np.argmax(output_data)
print(f"预测类别：{labels[max_conf_idx]}，置信度：{output_data[max_conf_idx]:.2f}")

注意事项 #

• 上述代码适配整图分类场景（即单张图仅判断整体是否存在跌倒情况），如果你训练的是目标检测模型，输出解析逻辑需要调整，按检测框的输出格式解析坐标、类别和置信度即可。
• 如果测试结果偏差较大，优先排查三个点：是否做了BGR转RGB、resize尺寸是否匹配模型要求、归一化逻辑是否和训练时对齐。

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