精度下降源于预处理、校准和转换配置未对齐。需确保训练与TFLite归一化一致、校准数据真实充分、转换时显式指定INT8算子集及IO类型，并全程验证tensor类型统一。
精度下降不是量化本身的问题，而是预处理、校准和转换配置三者没对齐。只要其中一环错位，int8模型输出就可能完全失真。
预处理不一致：训练时归一化方式和TFLite输入不匹配
这是最隐蔽也最致命的坑。比如训练时用了 (img - 127.5) / 127.5，但TFLite推理前却做了 img / 255.0，量化参数学的是前者分布，实际喂的是后者数据，min/max统计直接崩坏。
- 检查训练代码里图像预处理函数，确认是减均值除标准差，还是线性缩放
- 校准数据生成器
representative_data_gen必须复用同一套预处理逻辑，不能另写一套 - Android端Java/Kotlin代码里
TensorImage的normalize操作，必须和Python校准时完全一致
校准数据质量差或数量不足
全整数量化（converter.inference_input_type = tf.int8）严重依赖校准数据代表真实输入分布。用随机噪声、单张图重复100次、或者只裁剪中心区域，都会让量化范围严重偏移。
Python 环境工具专业版功能概述Python 环境工具专业版是一项面向实际任务的技能。它将相关步骤、工具调用和结果整理方式集中到统一流程中，帮助使用者更快完成目标并减少重复操作。核心要点使用时应结合输入条件选择合适的执行方式，核对必要参数、依赖环境与输出内容，并按原始要求处理异常情况。该技能适合需要稳定复用相关能力的场景，可作为自动化工作流的一部分，也便于后续检查、调整和扩展。执行完成后建议检查结果是否符合预期，并保留必要记录。使用与执行同时注意输入完整性、执行条件和输出可用性。从功能定位来看，该技能
- 至少准备100张真实场景图，覆盖光照、遮挡、尺度变化等典型case
- 图像尺寸必须和模型输入一致（如[1, 224, 224, 3]），不能靠TFLite运行时resize
- 避免使用增强后的训练集做校准——增强会扭曲原始分布，校准应使用原始未增强样本
转换配置漏掉关键项，导致算子fallback或类型混用
只加 converter.optimizations = [tf.lite.Optimize.DEFAULT] 是远远不够的。TFLite默认会保留部分float算子，一旦遇到不支持int8的层（如 tf.nn.l2_normalize 或带 axis=-1 的 tf.reduce_mean），就会fallback到flex delegate，在移动端要么报错，要么精度归零。
- 必须显式指定
converter.target_spec.supported_ops = [tf.lite.OpsSet.TFLITE_BUILTINS_INT8] -
converter.inference_input_type和converter.inference_output_type要同时设为tf.int8，否则输入int8、中间float、输出int8的混合路径极易出错 - 转完模型后，用
netron打开.tflite文件，逐层检查每个tensor的type是否都是INT8；若有FLOAT32节点残留，说明有算子没被覆盖
真正难的不是调通转换脚本，而是让训练、校准、部署三个环节的数值流始终在同一个坐标系里——从第一张图归一化的除数，到最后一个tensor在ARM CPU上取整的方式，全部咬合。漏掉任意一个常量，精度就可能断崖下跌。
Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
