我最近在做一个基于YOLOv11的车牌识别（ALPR）检测模型，用的是Roboflow平台的ALPR数据集。训练完模型后，我用以下代码将模型转换成了TFLite格式：

import ultralytics as yolo
!yolo detect export model=/content/runs/detect/yolov11_anpr/weights/best.pt imgsz=640 batch=1 format=tflite

目前能用的Ultralytics YOLO推理代码 #

不管是原.pt模型还是转后的.tflite模型，在Ultralytics的推理流程里都能正常跑通：

from PIL import Image
from ultralytics import YOLO

image = Image.open("/content/Screenshot From 2025-03-08 16-37-15.png")
model = YOLO('/content/runs/detect/yolov11_anpr/weights/best_saved_model/best_float32.tflite')
results = model(image)

result = results[0]
result.show()

这段代码成功检测出了车牌上的波斯数字，效果如下：
（图片展示：带有波斯数字的车牌被模型准确框选标注，检测结果完全正确）

这就是用Ultralytics YOLO实现的成功检测效果。

遇到的问题 #

但麻烦的是，当我不通过Ultralytics框架，直接用TensorFlow做推理时，根本得不到正确的检测结果——输出的数据要么不对，要么干脆什么都没有。

想请教的问题 #

• 为什么用Ultralytics YOLO推理就能正常工作，直接用TensorFlow却不行？
• 在用TensorFlow直接推理YOLOv11的TFLite模型时，我是不是漏掉了某些关键的预处理或后处理步骤？
• 有没有什么可行的思路或解决方案，能让我直接用TensorFlow调用这个TFLite模型并得到正确结果？

我已经把这个TFLite模型分享出来了，大家可以下载测试。

备注：内容来源于stack exchange，提问作者farid