YOLOv5模型TFLite转换后类别分数归一化问题解析

在将YOLOv5模型转换为TFLite格式后，开发者经常会遇到一个典型问题：模型输出的类别分数(class scores)总和不为1。这种现象看似异常，实则反映了深度学习模型输出处理中的一个重要技术细节。

问题本质分析

YOLOv5模型的原始输出并非直接给出概率值，而是未经归一化的"原始分数"(logits)。这些分数需要通过softmax函数进行转换才能得到概率分布。具体来说：

1. 模型输出结构通常为[xywh, conf, class0, class1,...]，其中xywh表示边界框坐标，conf是置信度，后面是各类别的原始分数
2. 这些类别分数在没有经过softmax处理前，其总和没有数学约束条件，可以大于1也可以小于1
3. 只有经过softmax转换后，才能保证所有类别概率之和为1

解决方案实现

正确的处理流程应该包含以下步骤：

1. 提取类别分数：从模型输出中分离出类别分数部分
2. 应用softmax：对这些分数进行归一化处理
3. 计算最终置信度：将归一化后的类别最大值与检测框置信度相乘

以下是一个典型的Java实现示例：

// 对每个检测框进行处理
for (int i = 0; i < output_box; ++i) {
    // 提取类别分数
    float[] classes = new float[10];
    for (int c = 0; c < 10; ++c) {
        classes[c] = out[0][i][5 + c];
    }
    
    // 应用softmax归一化
    classes = softmax(classes);
    
    // 回写归一化后的分数
    for (int c = 0; c < 10; ++c) {
        out[0][i][5 + c] = classes[c];
    }
}

Softmax函数实现要点

一个数值稳定的softmax实现应当包含以下关键步骤：

1. 最大值减法：防止指数运算时数值溢出
2. 指数运算：将分数转换为正数
3. 归一化：确保输出总和为1

public static float[] softmax(float[] scores) {
    float maxScore = Float.NEGATIVE_INFINITY;
    for (float score : scores) {
        if (score > maxScore) maxScore = score;
    }

    float[] expScores = new float[scores.length];
    float sumExpScores = 0;
    for (int i = 0; i < scores.length; i++) {
        expScores[i] = (float) Math.exp(scores[i] - maxScore);
        sumExpScores += expScores[i];
    }

    float[] probabilities = new float[scores.length];
    for (int i = 0; i < scores.length; i++) {
        probabilities[i] = expScores[i] / sumExpScores;
    }

    return probabilities;
}

置信度处理建议

对于置信度(confidence score)较低的问题，开发者需要注意：

1. 置信度表示的是"存在目标"的概率，与类别概率是独立的概念
2. 低置信度可能反映模型训练不足或数据质量不佳
3. 实际应用中可适当调整置信度阈值，平衡召回率和准确率

通过正确理解YOLOv5模型的输出结构并实施适当的后处理，开发者可以确保模型在移动端部署时获得预期的检测效果。