Android(Kotlin)端TFLite版YOLOX模型推理结果与Python端不一致问题求助

我最近在做不同目标检测模型的推理速度测试，RT-DETRv2、Yolo11和Yolo8在Python和Android两端的推理都正常，但YOLOX却遇到了棘手的问题：Python端能对测试图片输出正确的边界框，可Android端完全检测不到任何目标。

我已经把Python端能正常运行的推理逻辑复刻到了Android项目里，并且确认Android模型的输入buffer数值和Python端ravel后的Numpy数组完全一致——不管是可视化对比，还是检查数组特定位置的数值都没问题。

目前我已经排查了这些点：

• 确认输入buffer的数值与Python端ravel后的Numpy数组完全匹配
• 排除了端序问题（使用TensorImage自动处理，无需手动调整）
• 其他模型在两端都能正常推理，排除了通用的TFLite部署流程问题

现在我怀疑TensorFlow处理输入值的顺序，和数组ravel后展示的顺序不一样，但不知道怎么快速验证这个猜想。希望能得到各位的经验和思路，感谢大家！

Python端核心处理代码 #

if len(img.shape) == 3:
    padded_img = np.ones((input_size[0], input_size[1], 3), dtype=np.uint8) * 114
else:
    padded_img = np.ones(input_size, dtype=np.uint8) * 114
r = min(input_size[0] / img.shape[0], input_size[1] / img.shape[1])
resized_img = cv2.resize(img,(int(img.shape[1] * r), int(img.shape[0] * r)), interpolation=cv2.INTER_LINEAR,).astype(np.uint8)
padded_img[: int(img.shape[0] * r), : int(img.shape[1] * r)] = resized_img
padded_img = np.ascontiguousarray(padded_img, dtype=np.float32)

interpreter = tf.lite.Interpreter(model_path=MODEL_PATH)
interpreter.allocate_tensors()
input_details = interpreter.get_input_details()
output_details = interpreter.get_output_details()
interpreter.set_tensor(input_details[0]['index'], img[None, :, :, :])

Android(Kotlin)端核心处理代码 #

val imgmat = Mat()
Utils.bitmapToMat(decode,imgmat)
val imgmat3 = Mat()
Imgproc.cvtColor(imgmat,imgmat3,Imgproc.COLOR_RGBA2BGR)

val resizedmat = Mat()
val paddedmat = Mat()
val size = Size((1920F*ratio).toDouble(),(1080F*ratio).toDouble())
val scalar = Scalar(114.0,114.0,114.0)
Imgproc.resize(imgmat3,resizedmat,size, 0.0, 0.0,INTER_LINEAR)
Core.copyMakeBorder(resizedmat,paddedmat,0,(imsize- (1080*ratio)).toInt(),0,0,Core.BORDER_CONSTANT,scalar)

val bitmap = createBitmap(paddedmat.cols(),paddedmat.width(),Bitmap.Config.ARGB_8888)
Imgproc.cvtColor(paddedmat,argbmat,Imgproc.COLOR_RGB2RGBA)
Utils.matToBitmap(argbmat,bitmap)

val image = TensorImage(DataType.UINT8)
image.load(bitmap)
val tensorproc = ImageProcessor.Builder().add(CastOp(INPUT_IMAGE_TYPE)).build()
val proctensor = tensorproc.process(image)
val imageBuffer = proctensor.buffer

val output = TensorBuffer.createFixedSize(intArrayOf(numChannel, numElements), OUTPUT_IMAGE_TYPE)
interpreter.run(imageBuffer, output.buffer)

内容来源于stack exchange