Ошибка реализации моделей TFlite во флаттере ⇐ Android

[Anonymous]

Итак, я пытался реализовать несколько моделей tflite во flutter, которые ранее конвертировал из файлов .h5. Я намеренно использовал функции печати во время отладки, чтобы понять, в чем проблема.
Приложение зависает после появления такого сообщения:
[img]https://i .sstatic.net/2s4A0.png[/img]

Функции печати, которые я использовал до появления этого сообщения, указывают на то, что моя модель была успешно загружена


Приложение выдает ошибку во время выполнения, указывающую на плохие предварительные условия, часто указывая на параметры входного размера ( Возможно, я ошибаюсь).
Вот функции, которые я использую для реализации своей модели Tflite.
По сути, мне нужно запустить несколько моделей (по одной) , после запуска первой модели я поставил для нее несколько условий «если».

Код: Выделить всё

import 'package:flutter/material.dart';
import 'package:file_picker/file_picker.dart';
import 'package:permission_handler/permission_handler.dart';
import 'package:tflite_flutter/tflite_flutter.dart';
import 'package:image/image.dart' as img;
import 'dart:math';
import 'dart:io';

class ImageScreen extends StatefulWidget {
const ImageScreen({Key? key}) : super(key: key);

@override
_ImageScreenState createState() => _ImageScreenState();
}
class _ImageScreenState extends State {

var imgFile;
String Image_Path= "";

Future pickImage() async {
// Function body
// Add a return statement at the end
PermissionStatus status = await Permission.storage.request();

FilePickerResult? result = await FilePicker.platform.pickFiles(
type: FileType.custom,
allowedExtensions: ['jpg', 'jpeg', 'png'],
);

if (result != null) {
imgFile = result.files.single;
print("Image file path: " + imgFile.path);
Image_Path = imgFile.path;
print("picked image");
return Image_Path;
} else {
// User canceled the picker
print("Error");
return "Error";
}
}

//LOAD MODEL WORKS

Interpreter? interpreter;
Future loadModel(String modelPath) async {
try {
interpreter = await Interpreter.fromAsset(modelPath);
print('Loaded model successfully');

// Get input and output shapes
if (interpreter != null) {
var inputShape = interpreter!.getInputTensor(0).shape;
var outputShape = interpreter!.getOutputTensor(0).shape;

print('Input shape: $inputShape');
print('Output shape: $outputShape');

//I/flutter (10135): Input shape: [1, 256, 256, 3]
//I/flutter (10135): Output shape: [1, 4]

}
} catch (e) {
print('Failed to load model: $e');
}
}

Future runModel(String imagePath) async {
// Load the image
var image = img.decodeImage(File(imagePath).readAsBytesSync());
var resized = img.copyResize(image!, width: 256, height: 256);

// Convert image to a list of floats
var input = resized.getBytes().buffer.asFloat32List().reshape([49152]);

// Create output tensor
var output = List.filled(4,0).reshape([1,4]);//try filled(4.0), reshape([1,4])

// Check if interpreter is null
if (interpreter == null) {
print('Interpreter is null');
//return;
}

// Print input and output shapes
print('Input shape: ${input.shape}');
print('Output shape: ${output.shape}');

// Print input data
print('Input data: $input');

// Run the model
interpreter?.run(input, output);

print("ok running model");
return output;
}

Future makePredictions(String imagePath) async {
// Load and run the 4-class model
await loadModel('assets/models/four_class_STFT_80valacc.tflite');
var prediction_4class = await runModel(imagePath);

String result = '';

// Convert List to List
List prediction_4class_double = prediction_4class.cast();

// Find the index of the maximum value in prediction_4class
int maxIndex = prediction_4class.indexWhere((d) =>  d == prediction_4class_double.reduce(max));

// Based on the result, load and run the appropriate binary model
if (maxIndex == 0) {
print("ok 1");
result = 'Normal';
} else if (maxIndex == 1) {
// Asthma
await loadModel('assets/models/NvsA.tflite');
print("ok 1");
var prediction_binary = await runModel(imagePath);
result = 'Asthma with confidence ${prediction_binary[0]}';
} else if (maxIndex == 2) {
// Pneumonia
print("ok 1");
await loadModel('assets/models/NvsP.tflite');
var prediction_binary = await runModel(imagePath);
result = 'Pneumonia with confidence ${prediction_binary[0]}';
} else if (maxIndex == 3) {
// COPD
print("ok 1");
await loadModel('assets/models/NvsC_best.tflite');
var prediction_binary = await runModel(imagePath);
result = 'COPD with confidence ${prediction_binary[0]}';
}

return result;
}

//Remove this if causing errors
/*
@override
void initState() {
super.initState();
loadModel(Image_Path).then((value) {setState((){});});
}*/

@override
Widget build(BuildContext context) {
return Scaffold(
backgroundColor: Colors.white,
appBar:AppBar(
elevation: 0,
title:const Row(
mainAxisAlignment: MainAxisAlignment.center,
children: [
Text(
"Ausculto",
style:
TextStyle(color: Color.fromARGB(221, 7, 173, 224), fontWeight: FontWeight.w600),
),
Text(
"Wave",
style: TextStyle(color: Color.fromARGB(255, 248, 213, 16), fontWeight: FontWeight.w600),
),
Text("       "),//balances out, maintains center, use better methods later
],
),centerTitle: true,
backgroundColor: const Color.fromARGB(255, 255, 255, 255),
),

body:Center(
child:Container(
width: 200,
height: 250,
child:ListView(
children: [
const Text(
"  Results:",
style: TextStyle(fontSize: 24, fontWeight: FontWeight.bold,color: Colors.black),
),
const SizedBox(height: 20,),

//FOR TESTING ONLY:

Container(
width:200,
child:ElevatedButton(
onPressed: () async{
//ability to add an image
String? imagePath = await pickImage();
if (imagePath != null) {
// Run the model on the image
String result = await makePredictions(imagePath);

// Display the result in a dialog
showDialog(
context: context,
builder: (BuildContext context) {
return AlertDialog(
title: Text('Prediction'),
content: Text(result),
actions: [
TextButton(
child: Text('Close'),
onPressed: () {
Navigator.of(context).pop();
},
),
],
);
},
);
}
},
//change color of elevated button here
style: ElevatedButton.styleFrom(
backgroundColor: Colors.red,
foregroundColor: Colors.white,
shape: RoundedRectangleBorder(
borderRadius: BorderRadius.circular(18.0),
),
),
child: const Text('Add Test Image',style: TextStyle(fontSize: 13),),
),
),
const SizedBox(height: 20,),

],
),
),
),
);
}
}

Я хочу получить выходные данные модели tflite, модели сообщают мне, нормальный ли человек или нет, а затем я помещаю следующие условия: если модель предсказывает, что человек ненормален и говорит, что болен, для проверки того же используются другие модели.
Я потратил более 10 часов, опробуя разные способы реализации файла дартс из разных проектов, все из которых потерпели неудачу и привели к приведет к тому же результату, иначе приложение не будет собираться само.
Несколько решений в Интернете включают пакеты, которые либо устарели, либо несовместимы с dart 3.0

Подробнее здесь: https://stackoverflow.com/questions/777 ... in-flutter