已部署Flutter应用中TensorFlow Lite模型离线动态更新与新增方案咨询

核心实现思路 #

很多人对TFLite模型动态更新的认知停留在“必须联网从外部服务拉取模型才能替换”，但完全离线的场景下，只要把模型的存储位置从随包的assets目录，扩展到应用可读写的私有沙箱目录，通过离线可触达的渠道完成模型文件的导入、校验，就能实现无需全量发版的模型更新，全程不需要依赖任何外部托管服务。

前置代码适配改动 #

要先把现有写死的模型加载逻辑改造为两级优先级读取机制，这是所有动态更新能力的基础：

• 第一级读取优先级：遍历应用私有文档目录（对应Flutter路径通过getApplicationDocumentsDirectory()获取）下的所有模型文件，通过预定义的元数据规则匹配对应功能的模型，选择版本号最高的有效模型加载
• 第二级兜底逻辑：如果私有目录没有找到匹配的有效模型，自动回退加载最初随应用打包进assets的默认模型，保证基础功能不受影响
• 配套基础校验规则：每个模型文件关联独立的SHA256校验值、最低应用兼容版本、支持的推理任务类型，加载前完成全量校验，不符合规则的模型直接跳过，避免文件损坏、版本不兼容导致的推理崩溃

全离线场景下的模型交付渠道 #

所有交付动作完全不需要联网，可根据使用场景选择合适的导入方式：

• 应用内置手动导入入口：在应用的设置页增加模型管理模块，引导用户授权访问手机存储，手动选择本地存储的.tflite格式模型文件完成导入。导入流程自动完成哈希校验、版本兼容性判断，校验通过后把文件复制到应用私有沙箱，下次启动推理时自动优先使用新导入的模型
• 自定义离线模型包分发：定义专属的轻量模型包格式，把tflite模型文件、元数据描述、校验值打包为压缩包，用户可以通过局域网传输、U盘拷贝、离线安装介质等方式把模型包传到手机上。通过Flutter对接Android FileProvider、iOS通用类型标识（UTI）的文件关联能力，让系统识别到模型包后直接唤起应用完成自动导入，全程无网络依赖
• 系统级预置适配：面向内部设备、定制化场景的应用，可以通过设备出厂预置工具，直接把更新后的模型文件写入对应应用的私有目录，用户无感知即可完成模型更新

落地时需要规避的关键问题 #

• 参与实际推理的模型必须存放在应用私有沙箱目录，不要直接读取公共存储路径下的模型文件：公共存储的文件可被其他应用随意篡改，不仅容易导致模型损坏，还存在被注入恶意代码的安全风险，导入完成后要及时删除公共路径下的临时文件
• 严格做模型和应用的版本兼容校验：如果应用集成的TensorFlow Lite推理框架版本较低，导入的高版本框架导出的模型可能出现加载失败、推理结果异常的问题，导入时要读取模型附带的最低兼容框架版本字段，不满足要求的模型直接拒绝导入
• 模型按功能维度独立存储，不要做整目录覆盖删除：给每个独立功能的模型分配唯一的model_id，每个模型单独存储自己的版本号、校验值，更新时只替换对应id的模型文件，避免误删其他功能的可用模型

内容的提问来源于stack exchange，提问作者dalonsoa