本文含踩坑记录，含可运行代码，整个过程耗时一天完成。
一、准备清单 Android Studio（新版即可） 安卓手机（Android 8.0+，开启 USB 调试） Python（本地配合python环境） 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 一键获取完整项目代码 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 参考：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 pypi.tuna.tsinghua.edu.cn/simple --default-timeout=1000
- 新建 export.py，复制运行：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")
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
导出模型成功如下：
三、第二步：Android 项目基础配置 新建项目 → Empty Views Activity → Kotlin → Android16） 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")
} 一键获取完整项目代码
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")
}
} 一键获取完整项目代码 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 一键获取完整项目代码 我给你精简可用版 labels.txt（直接新建 txt 粘贴）：
background
tench
goldfish
great_white_shark
tiger_shark
hammerhead
electric_ray
stingray
cock
hen
ostrich
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 version="1.0" encoding="utf-8"?>
<manifest xmlns:android="http://schemas.android.com/apk/res/android"
package="com.example.tflitedemo">
<application
android:allowBackup="true"
android:icon="@mipmap/ic_launcher"
android:label="@string/app_name"
android:roundIcon="@mipmap/ic_launcher_round"
android:supportsRtl="true"
android:theme="@style/Theme.Tflitedemo">
<activity
android:name=".MainActivity"
android:exported="true">
<intent-filter>
<action android:name="android.intent.action.MAIN" />
<category android:name="android.intent.category.LAUNCHER" />
</intent-filter>
</activity>
</application>
</manifest>
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
相机实时拍照识别 开启 NPU 硬件加速（NNAPI） 替换成文字大模型：MiniCPM、Llama 轻量化 做多设备局域网联动端侧 AI
