一、准备清单

1. Android Studio（新版即可）
2. 安卓手机（Android 8.0+，开启 USB 调试）
3. Python（本地配合python环境）
4. 不用云端、不用充值 token，纯本地端侧运行

---

二、第一步：生成可用 mobilenet_v2.tflite 模型

1. 电脑装依赖：bash 运行

pip install tensorflow

注意1：没有pip环境的参考官网进行环境初始化，本文使用了推荐虚拟环境安装

使用 pip 安装 TensorFlow  

 注意2：默认的pip源可能下载很慢导致超时报错，国内网络下载超时，不是你电脑坏了，就是pip 从国外源下载太慢、断了，推荐清华国内源，速度飞起来：

pip install tensorflow -i https://pypi.tuna.tsinghua.edu.cn/simple --default-timeout=1000

   2. 新建 export.py，复制运行：python 运行

import tensorflow as tf

model = tf.keras.applications.MobileNetV2(
    input_shape=(224,224,3),
    weights="imagenet",
    include_top=True
)

converter = tf.lite.TFLiteConverter.from_keras_model(model)
converter.optimizations = [tf.lite.Optimize.DEFAULT]
tflite_model = converter.convert()

with open("mobilenet_v2.tflite","wb") as f:
    f.write(tflite_model)

print("✅ 模型生成完成")

运行后得到：mobilenet_v2.tflite 该文件放到app\src\main\assets中

注意1：有时候环境问题会导致模型下载失败，可以尝试手机热点情况下 python运行

import os
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'

import tensorflow as tf
from tensorflow.keras.applications import MobileNetV2

# --------------------- 核心：强制不使用本地缓存，重新下载 ---------------------
model = MobileNetV2(
    weights="imagenet",
    input_shape=(224, 224, 3),
    include_top=True
)

# 转换为 TFLite 模型
converter = tf.lite.TFLiteConverter.from_keras_model(model)
tflite_model = converter.convert()

# 保存模型到当前目录
with open("mobilenet_v2.tflite", "wb") as f:
    f.write(tflite_model)

print("✅ 模型导出成功！文件：mobilenet_v2.tflite")

注意2：没有GPU的电脑需要单独加入：

os.environ['CUDA_VISIBLE_DEVICES'] = '-1' # 强制禁用GPU，100%解决你最后这个报错。

导出模型成功如下：

---

三、第二步：Android 项目基础配置

1. 新建项目 → Empty Views Activity → Kotlin → Android16）
2. 打开 app/build.gradle.kts，找到 dependencies 代码块，加入：

kotlin

dependencies {
    // TensorFlow Lite 核心（你要的版本）
    implementation("org.tensorflow:tensorflow-lite:2.15.0")

    // 可选：GPU 加速
    implementation("org.tensorflow:tensorflow-lite-gpu:2.15.0")

    // 可选：支持库（图片处理、模型加载）
    implementation("org.tensorflow:tensorflow-lite-support:0.4.4")
}

同样在 app/build.gradle.kts 里，找到 android 代码块，加入：

kotlin

android {
    // ... 其他配置

    // 不压缩 tflite 模型（必须加）
    aaptOptions {
        noCompress("tflite")
    }
}

---

四、第三步：放置模型与标签文件

路径严格照下面建：

plaintext

app/src/main/assets/
 ├ mobilenet_v2.tflite
 └ labels.txt

我给你精简可用版 labels.txt（直接新建 txt 粘贴）：

plaintext

background
tench
goldfish
great_white_shark
tiger_shark
hammerhead
electric_ray
stingray
cock
hen
ostrich

（要完整 1001 行我直接全贴给你）

---

五、第五步：调试修改Activity

package com.example.tflitedemo

import android.app.Activity
import android.content.Context
import android.graphics.Bitmap
import android.graphics.BitmapFactory
import android.os.Bundle
import android.widget.TextView
import org.tensorflow.lite.Interpreter
import java.io.FileInputStream
import java.nio.MappedByteBuffer
import java.nio.channels.FileChannel

class MainActivity : Activity() {
    private lateinit var resultText: TextView

    override fun onCreate(savedInstanceState: Bundle?) {
        super.onCreate(savedInstanceState)

        resultText = TextView(this)
        resultText.textSize = 22f
        resultText.setPadding(50, 50, 50, 50)
        setContentView(resultText)

        resultText.text = "模型加载中..."

        try {
            val helper = TFLiteHelper(this)
            // 用drawable里的test图片测试，先把图片放到res/drawable里
            val bitmap = BitmapFactory.decodeResource(resources, R.drawable.test)
            val testInput = preprocessImage(bitmap)
            val result = helper.classifyImage(testInput)

            resultText.text = "识别结果：$result"
            helper.close()
        } catch (e: Exception) {
            resultText.text = "错误：${e.message}"
        }
    }

    // MobileNetV2标准预处理
    private fun preprocessImage(bitmap: Bitmap): FloatArray {
        val resized = Bitmap.createScaledBitmap(bitmap, 224, 224, true)
        val pixels = IntArray(224 * 224)
        resized.getPixels(pixels, 0, 224, 0, 0, 224, 224)

        val normalized = FloatArray(224 * 224 * 3)
        for (i in pixels.indices) {
            val pixel = pixels[i]
            // 归一化到[-1,1]，和模型训练时一致
            val r = ((pixel shr 16 and 0xFF) / 255.0f - 0.5f) * 2.0f
            val g = ((pixel shr 8 and 0xFF) / 255.0f - 0.5f) * 2.0f
            val b = ((pixel and 0xFF) / 255.0f - 0.5f) * 2.0f

            normalized[i * 3 + 0] = r
            normalized[i * 3 + 1] = g
            normalized[i * 3 + 2] = b
        }
        return normalized
    }

    private class TFLiteHelper(context: Context) {
        private val interpreter: Interpreter
        private val labels = mutableListOf<String>()

        init {
            interpreter = Interpreter(loadModelFile(context))
            loadLabels(context)
        }

        private fun loadModelFile(context: Context): MappedByteBuffer {
            val assetFd = context.assets.openFd("mobilenet_v2.tflite")
            val fis = FileInputStream(assetFd.fileDescriptor)
            return fis.channel.map(
                FileChannel.MapMode.READ_ONLY,
                assetFd.startOffset,
                assetFd.declaredLength
            )
        }

        private fun loadLabels(context: Context) {
            context.assets.open("labels.txt").bufferedReader().useLines {
                labels.addAll(it)
            }
        }

        fun classifyImage(input: FloatArray): String {
            val output = Array(1) { FloatArray(1000) }

            val input4D = Array(1) { Array(224) { Array(224) { FloatArray(3) } } }
            var index = 0
            for (y in 0 until 224) {
                for (x in 0 until 224) {
                    for (c in 0 until 3) {
                        input4D[0][y][x][c] = input[index++]
                    }
                }
            }

            interpreter.run(input4D, output)

            val scores = output[0]
            val maxScore = scores.maxOrNull() ?: 0f
            val maxIndex = scores.indexOfFirst { it == maxScore }

            android.util.Log.d("TFLite_DEBUG", "Max score: $maxScore, index: $maxIndex, labels size: ${labels.size}")

            return if (maxIndex >= 0 && maxIndex < labels.size) {
                "${labels[maxIndex]} (置信度: ${"%.2f".format(maxScore)})"
            } else {
                "未知 (索引错误: $maxIndex)"
            }
        }

        fun close() {
            interpreter.close()
        }
    }
}

注意1：在这一步编译运行出现了很多错误，大部分都是一直库导入依赖解决，但其中最坑的一个是namespace报错问题，尝试过使用Google LiteRT，这个库可以编译运行，但是大模型加载阶段国内手机会卡死，这个库依赖gms

implementation("com.google.android.gms:play-services-tflite-java:16.4.0")

核心原因：

• AGP 9.x：强制 namespace 唯一 → TFLite 永远报错，无法使用
• AGP 8.3.1：不强制 namespace → TFLite 100% 正常运行
• AGP 8.3.1 是最后一个完美兼容 TFLite 的版本，AGP 9.x 版本，禁止任何 TFLite 库运行！

 解决方案：回退AGP 8.3.1，gradle回退到gradle-8.4，jdk降级到17，AGP 降级到8.3.1注意要使用国内的Url源，使用国外的源会出现下载超时的问题，如图我使用了tencent的镜像。

---

---

六、第六步：布局 activity_main.xml

xml

<?xml version="1.0" encoding="utf-8"?>
<LinearLayout 
xmlns:android="http://schemas.android.com/apk/res/android"
android:layout_width="match_parent"
android:layout_height="match_parent"
android:gravity="center"
android:orientation="vertical">

    <TextView
        android:id="@+id/tv_result"
        android:layout_width="wrap_content"
        android:layout_height="wrap_content"
        android:textSize="24sp"/>

</LinearLayout>

---

七、直接运行效果

打开手机usb调试模式，adb 连接正常

预置图片到app\src\main\res\drawable\test.jpg

test.jpg预置的是CSDN的头像,结果识别成island，流程没有问题，但置信度很低，后面会进一步优化更新。

八、进阶 后续继续优化UI界面及多模态

1. 相机实时拍照识别
2. 开启 NPU 硬件加速（NNAPI）
3. 替换成文字大模型：MiniCPM、Llama 轻量化
4. 做多设备局域网联动端侧 AI