TensorFlow Lite UNO卡识别模型运行形状不兼容及元数据写入报错求助

• 最初的非法参数异常，本质是当前使用的.tflite模型并非常规单输出图像分类模型。模型实际输出张量形状为[1, 10647, 4]，代表单批次下10647个预测框、每个框绑定4个坐标参数的结构，和Java端定义的[1,15]（单输出、15类分类结果）缓冲区维度完全不匹配，张量拷贝时自然触发异常。
• 元数据写入阶段的报错，本质是当前使用的元数据脚本为单输出图像分类专用模板，仅会生成1份输出维度的元数据；但实际模型存在2个独立输出张量（分别对应检测框坐标、各框的类别置信度），元数据的输出维度数量和模型实际结构不匹配，因此触发校验错误。

1. 先通过Netron确认模型完整输出结构 #

• 打开Netron加载.tflite文件，定位到Outputs板块，逐行记录所有输出张量的形状、数据类型：
  • 核对是否存在两个独立输出：形状为[1, 10647, 4]的坐标张量、形状为[1, 10647, 15]的类别置信度张量
  • 确认模型的真实属性：是导出配置错误的检测模型，还是分类模型被错误附带了检测头结构
• 不要跳过结构核对直接修改代码，所有维度报错的根源都是对模型输出结构的认知偏差，并非代码语法问题。

2. 修正Java端的TFLite基础调用逻辑 #

• 原有的单输出缓冲区定义完全不适配当前模型结构，需要按照实际输出数量调整run方法的传参：
  • 为坐标输出新建三维浮点数组：float[1][10647][4] boxOutput
  • 为类别输出新建三维浮点数组：float[1][10647][15] classOutput
  • 调用模型时将两个输出对象传入参数：tflite.run(imgData, new Object[]{boxOutput, classOutput})
• 完成调整后，最初的张量拷贝异常会直接消失，无需强行将坐标张量塞入二维的分类数组。前期建议先裸跑通基础调用流程，再引入TensorBuffer做上层封装，避免底层对齐问题被封装层掩盖。

3. 适配元数据写入逻辑 #

• 不要继续套用纯图像分类的元数据模板：这类模板仅适配单输出、形状为[batch, 类别数]的分类模型，对多输出的检测模型完全不兼容。可根据业务目标选择对应路径：
  • 如果业务需求为单图输入直接输出UNO卡牌类别的纯分类任务：回到训练/导出环节，重新导出单输出、形状严格为[1,15]的分类模型，让模型输出结构和原有Java逻辑、分类元数据模板完全匹配，无需修改上层业务代码。
  • 如果业务需求为识别图中任意位置的多张UNO卡牌：替换为目标检测专用的元数据写入模板，为两个输出张量分别匹配对应的元数据描述（坐标输出、类别输出），即可通过输出张量数量的校验。

4. 业务层后处理适配 #

• 若沿用检测模型结构：拿到模型输出的框坐标和类别置信度后，需要补充非极大值抑制、坐标解码、置信度阈值过滤等后处理步骤，才能得到最终的卡牌识别结果。
• 若改用纯分类模型：保持15类的输出结构，直接对输出数组做置信度排序、取最高匹配类别的逻辑即可，无需复杂的坐标后处理。

内容的提问来源于stack exchange，提问作者Gaia