移动端MLKit文档检测如何重训练TensorFlow Lite模型？该选什么TensorFlow Hub模型？

你现在选的「基于预训练模型做迁移重训，产出端侧TFLite分类模型供CameraX+ML Kit场景使用」的路线完全可行，没有绕远路：

• 你的任务属于固定类别的细粒度端侧分类（文档正面、文档背面、非目标干扰项），数千张的样本量刚好适配迁移学习的高效训练逻辑，不需要从零搭建模型，也能避开大模型端侧部署的性能瓶颈
• 唯一需要提前补的认知偏差：纯图像分类模型是对整张输入图输出分类结果，没有目标定位能力，和你“检测特定尺寸文档”的核心要求有差距，后续可以通过简单的几何判断逻辑补全，不需要额外引入复杂的检测模型。

选模型的时候完全不用盯着泛化精度最高的榜单挑，端侧场景优先卡性能门槛，再比精度：

• 优先选MobileNet V2/V3系列的INT8量化预训练权重，是这个场景下的性价比最优解：
• 优势：单帧推理速度在中端Android机型上可以稳定跑满30fps，匹配CameraX ImageAnalysis的实时处理要求，重训+量化后的模型体积一般在3-10MB，不会占用过多App安装包空间
• 不足：对纹理差异极其微小的类别区分精度略低于同参数量的EfficientNet-Lite系列，但你的场景是区分文档正反面——两类一般有明确的布局、印刷内容差异，这点精度损失完全可以靠补充训练样本补回来，完全不影响最终效果
• 选型硬参考线：所有候选模型只要满足「输入分辨率≤224x224」「ImageNet预训练Top1精度在70%-78%区间」「INT8量化后体积≤15MB」就可以纳入考虑，别为了多2%的分类精度选体积超过20MB的大模型，否则会直接导致低端机推理掉帧、分析线程阻塞。
• 要主动避开的不适用模型：
• 输入分辨率超过380x380的大尺寸模型：单帧处理开销会直接翻倍，完全没必要
• 老版本MobileNet V1：对印刷文档的边缘、文字区域的特征捕捉能力远不如V2/V3版本，泛化性差
• 不带预置分类头的纯骨干网络权重：你本身没有太多模型调参经验，自己从头搭分类头很容易出现训练收敛慢、过拟合的问题。

• 训练数据补全：你现在按分类目录整理了正面、背面的样本，一定要给「非目标干扰项」预留30%以上的样本量——覆盖拍摄时常见的场景：桌面、其他纸张、模糊失焦的帧、文档倾斜/过远/过近的帧、光线过暗/过曝的帧，不然模型会把所有纸面类的物体都识别成你的目标文档
• 重训参数简化：
• 冻结预训练骨干层前80%的参数，只训练最后20%的分类头和靠近输出的几层，训练轮次控制在10-15轮即可，轮次过多会在千级样本量下出现严重过拟合
• 导出模型时必须开启全整数量化，不要用半精度浮点格式的权重，INT8量化后的模型在ML Kit中的推理速度能提升2倍以上，体积压缩70%
• 适配“特定尺寸文档”的检测要求：不需要训复杂的目标检测模型，在ImageAnalysis分析器里加个简单的几何判断——先从实时帧里找出符合目标文档固定宽高比的候选矩形区域，只把这个裁剪后的小区域送进分类模型，既满足了尺寸检测的要求，又能把模型推理的整体开销再降30%以上。

最常见的踩坑点：很多人跟着教程训完模型，发现App端识别率比训练时低20%以上，核心原因不是模型没选对，是训练时的图像预处理逻辑和App端推理时的预处理逻辑不一致——比如训练时把图片缩放到256像素再中心裁剪到224像素，ML Kit推理时直接把整图拉伸到224像素，这种偏差带来的精度损失会非常明显。导出TFLite模型的时候一定要把预处理参数（缩放方式、归一化范围、裁剪规则）写进模型元数据里，ML Kit会自动按照训练时的规则处理输入帧，就能避开这个问题。

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