将Darkflow转换的YOLO模型移植到TensorFlow安卓相机检测Demo

我来一步步帮你搞定这个移植，都是实际操作过的经验，跟着来就行：

1. 准备好Android端需要的文件 #

首先把你用darkflow生成的license.pb文件，还有自己整理的标签文件（比如labels.txt，每行写一个检测类别，比如你的车牌检测就写license_plate），一起放到Android Demo项目的app/src/main/assets目录里。如果assets目录不存在，自己新建一个就行。

2. 替换Demo里的模型配置 #

打开Demo里的核心检测类（一般是DetectorActivity.java或者类似的文件），找到原来的模型和标签路径配置，替换成你自己的：

// 替换成你的模型和标签路径
private static final String MODEL_FILE = "file:///android_assets/license.pb";
private static final String LABEL_FILE = "file:///android_assets/labels.txt";
// 替换成你YOLO模型训练时的输入尺寸，比如416x416
private static final int INPUT_SIZE = 416;

3. 修改模型输出节点配置 #

YOLO的输出节点和Demo默认的SSD不一样，你之前用Python分析pb文件的时候，应该已经找到输出层的名字了（比如通常是output或者yolo-v3/output这类），把它加到代码里：

// 替换成你实际的输出节点名称
private static final String OUTPUT_TENSOR_NAME = "output";

然后找到原来获取输出张量的代码，把默认的输出节点换成你这个，比如原来的getTensor("detection_scores")这类，改成获取你指定的输出张量。

4. 重写YOLO输出解析逻辑 #

这一步是关键，因为YOLO的输出格式和SSD完全不同，你需要把模型输出的张量转换成Android端能显示的检测框和标签。大致的逻辑是这样：

• YOLO的输出张量形状一般是[1, num_boxes, 5 + num_classes]，其中前5个值是x, y, w, h, confidence（相对坐标和置信度），后面是每个类别的概率
• 遍历每个检测框，先过滤掉置信度低于阈值（比如0.5）的框
• 找到当前框概率最高的类别，对应到你的标签文件
• 把相对坐标转换成图像的绝对坐标（因为摄像头采集的图像尺寸和模型输入尺寸可能不一样，要做比例换算）

给你一段参考代码片段：

// 获取输出张量
float[] outputs = outputTensor.copyAsFloatArray();
// 假设输出形状是[1, 10647, 6]（比如YOLOv3 tiny的输出）
int numBoxes = outputs.length / (5 + numClasses);
for (int i = 0; i < numBoxes; i++) {
    int baseIndex = i * (5 + numClasses);
    float confidence = outputs[baseIndex + 4];
    // 过滤低置信度的框
    if (confidence < 0.5) continue;
    // 找到概率最高的类别
    float maxProb = 0;
    int classIndex = -1;
    for (int j = 0; j < numClasses; j++) {
        float prob = outputs[baseIndex + 5 + j];
        if (prob > maxProb) {
            maxProb = prob;
            classIndex = j;
        }
    }
    if (classIndex == -1) continue;
    // 转换坐标：YOLO输出的是相对中心x、y，宽高w、h，要转成左上角和右下角绝对坐标
    float relX = outputs[baseIndex];
    float relY = outputs[baseIndex + 1];
    float relW = outputs[baseIndex + 2];
    float relH = outputs[baseIndex + 3];
    
    // 根据图像实际尺寸计算绝对坐标
    int imgWidth = bitmap.getWidth();
    int imgHeight = bitmap.getHeight();
    int left = (int) ((relX - relW / 2) * imgWidth);
    int top = (int) ((relY - relH / 2) * imgHeight);
    int right = (int) ((relX + relW / 2) * imgWidth);
    int bottom = (int) ((relY + relH / 2) * imgHeight);
    
    // 把这个检测框和标签存起来，后面用来绘制
    detections.add(new Detection(labelList.get(classIndex), confidence, left, top, right, bottom));
}

5. 调整图像预处理逻辑 #

YOLO对输入图像的预处理有要求，要和你训练时一致：

• 把摄像头采集到的图像缩放到你设置的INPUT_SIZE（比如416x416）
• 注意颜色空间：如果训练时用的是BGR，要把Android的RGB图像转换成BGR；如果是RGB就不用改
• 有些YOLO模型需要对像素值做归一化（比如除以255），这部分也要和训练时对齐

6. 测试和调试 #

把项目编译安装到Android设备上，测试检测效果：

• 如果检测不到，先检查模型路径、标签文件是否正确，输出节点名称有没有写错
• 调整置信度阈值，比如从0.5降到0.3试试
• 确认输入尺寸和训练时完全一致，差一点都可能出问题

内容的提问来源于stack exchange，提问作者Santle Camilus