YOLOV11模型转换为Tflite，在Tensorflow中未产生正确的输出

Question

转换为Tflite：

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

我当前的Python推理代码（超级分析YOLO） .pt和.tflite模型在超级推理管道中都可以正常工作：

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()

该成功检测到波斯数字：

there是使用Ultrytics Yolo成功检测的视觉表示：

问题 但是，用张量流（无效）直接推断不会产生正确的检测。输出数据不正确或完全丢失。

问题：

为什么使用Ultrytics Yolo的推理可以起作用，而直接张紧推理则没有？ 我在Yolov11 Tflite推理带有Tensorflow的Yolov11 Tflite推理中缺少什么预处理或后处理步骤？ 任何直接与TensorFlow正确使用TFLITE模型正确使用TFLITE模型的见解或解决方案都将不胜感激！ 您可以使用以下链接下载并测试我的TFLITE模型： https：//drive.google.com/file/d/1p4cafl9g2gpjgud68xlr_eqlxz-zz-umtre/view？usp =sharing

为了进行预处理，您需要通过OpenCV加载图像，然后执行以下步骤：

Converver bgr torgb

Answer 1

将图像加固到模型的预期输入图像大小（在我的情况下，640x640）

• 通过将值除以255

• 扩展尺寸

• 在这里是代码：

  # Load and preprocess image
  def preprocess_image(image_path, input_shape):
      image = cv2.imread(image_path)
      image = cv2.cvtColor(image, cv2.COLOR_BGR2RGB)
      image = cv2.resize(image, (input_shape[1], input_shape[2]))
      image = image.astype(np.float32) / 255.0 # Normalize to [0, 1]
      image = np.expand_dims(image, axis=0)  # Add batch dimension
      return image

• 对于后处理，您需要检查模型的输出维度；就我而言，是（1、6、8400）

  这里是批处理大小，分别为6（4 +类）是前四个值，X中心，Y中心，宽度和检测到的网格高度和86400是置信度分数。

  我在项目中的做法是：

image_width, image_height = image_shape

detections = output_data[0]  # Shape: (6, 8400)
xc = detections[0]  # (8400,) - normalized center x
yc = detections[1]  # (8400,) - normalized center y
w = detections[2]   # (8400,) - normalized width
h = detections[3]   # (8400,) - normalized height
confs = detections[4:]  # (8400,) - classes confidence scores


# Apply confidence threshold (e.g., 0.5)
threshold = 0.5
# x_min, y_min, x_max, y_max, class_id, confidence
boxes = []

for class_id, conf in enumerate(confs):
    for i in range(len(conf)):
        if conf[i] > threshold:
            # Convert to pixel coordinates
            x_min = int((xc[i] - (w[i] / 2)) * image_width)
            y_min = int((yc[i] - (h[i] / 2)) * image_height)
            x_max = int((xc[i] + (w[i] / 2)) * image_width)
            y_max = int((yc[i] + (h[i] / 2)) * image_height)

            boxes.append([x_min, y_min, x_max, y_max, class_id, conf[i]])

您以所需的格式输出后，您可以在检测到的框上执行NMS，以消除重叠。毕竟，使用OpenCV注释您的图像：

# Visualize the final boxes on the image
image = cv2.imread('image.jpg')

# Assuming final_boxes is a list of bounding boxes with (x_min, y_min, x_max, y_max, score)
for box in final_boxes:
    x_min, y_min, x_max, y_max, class_id, score = box

    print(x_min, y_min, x_max, y_max, score)
    
    # Draw bounding box
    cv2.rectangle(image, (x_min, y_min), (x_max, y_max), (0, 255, 0), 2)
    
    # Draw score text
    cv2.putText(image, f"{class_id} {score:.2f}", (x_min, y_min - 10),
                cv2.FONT_HERSHEY_SIMPLEX, 0.5, (0, 255, 0), 2)    


cv2.imwrite('output.jpg', image)