确保图片压缩都采用F.interpolate(),这样和安卓端得到的结果基本差不多。

build_faiss_index.py

@@ -468,7 +468,7 @@ class FAISSSearcher:
 def main():
     """主函数"""
     # 配置参数
-    MODEL_PATH = "model/embedding_20250917_145342/best_embedding_model.pth"
+    MODEL_PATH = "model/embedding_20250930_102826/best_embedding_model.pth"
     TRAIN_DIR = "dataset/train"
     OUTPUT_DIR = "faiss_vector_db/faiss_index"
     BATCH_SIZE = 16

classifier/embedding_food_classifier_search_app.py

@@ -1124,7 +1124,7 @@ class EmbeddingFoodClassifierApp:
             query_tensor = torch.from_numpy(query_embedding.reshape(1, -1))  # [1,512]
             # 打印query_tensor的前十个数字
 
-            print(query_embedding[:10])
+            # print(query_embedding[:50])
 
             if self.db_matrix is None:
                 raise RuntimeError("向量库未加载")
@@ -1136,8 +1136,8 @@ class EmbeddingFoodClassifierApp:
             topk_scores, topk_indices = torch.topk(sims, k=min(k, sims.shape[1]), dim=1)
             indices = topk_indices.cpu().numpy()
             scores = topk_scores.cpu().numpy()
-            print("相似度索引：", indices)
-            print("相似度分数：", scores)
+            # print("相似度索引：", indices)
+            # print("相似度分数：", scores)
 
             # 收集相似图片的类别
             similar_classes = []

net/resnet_embedding.py

@@ -56,11 +56,9 @@ class ResNet50EmbeddingNet(nn.Module):
         )
         
         # 图片预处理变换（用于推理）
-        # TODO 这里应该要修改归一化的逻辑，不然不一样。
+        # 使用与移动端一致的路径：仅转换为Tensor，缩放与归一化在 preprocess_image 中用 F.interpolate 完成
         self.preprocess = transforms.Compose([
-            transforms.Resize((224, 224), interpolation=transforms.InterpolationMode.BILINEAR),
-            transforms.ToTensor(),
-            transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225])
+            transforms.ToTensor()
         ])
         
         # 内部预处理变换（用于已经是tensor但未归一化的数据）
@@ -88,11 +86,17 @@ class ResNet50EmbeddingNet(nn.Module):
             else:
                 raise ValueError("输入必须是PIL Image或numpy array")
         
-        # 应用预处理变换
+        # 应用预处理变换（先转为tensor，值范围0-1）
         tensor = self.preprocess(image)
-        # 添加batch维度
+        # 添加batch维度 [1, C, H, W]
         tensor = tensor.unsqueeze(0)
-        
+        # 使用与移动端一致的双线性插值缩放到224x224
+        tensor = F.interpolate(tensor, size=(224, 224), mode='bilinear', align_corners=False)
+        # ImageNet标准化（与移动端保持一致）
+        mean = torch.tensor([0.485, 0.456, 0.406], device=tensor.device).view(1, 3, 1, 1)
+        std = torch.tensor([0.229, 0.224, 0.225], device=tensor.device).view(1, 3, 1, 1)
+        tensor = (tensor - mean) / std
+
         return tensor
     
     def mobile_preprocess(self, x: torch.Tensor) -> torch.Tensor:

toAndroid/toAndroidEmbedding.py

@@ -17,7 +17,7 @@ def main():
     # 1. 加载训练好的embedding模型权重
     # base_model = create_resnet50_embedding(embedding_dim=512, pretrained=True)
     base_model = create_mobile_resnet50_embedding(embedding_dim=512, pretrained=True)
-    model_path = "../model/embedding_20250917_145342/best_embedding_model.pth"
+    model_path = "../model/embedding_20250930_102826/best_embedding_model.pth"
     
     if not os.path.exists(model_path):
         print(f"错误：模型文件不存在 {model_path}")
@@ -85,7 +85,7 @@ def main():
         traced_model = torch.jit.trace(mobile_wrapper, single_input)
         
         # 保存模型
-        output_path = "../model/embedding_20250917_145342/best_embedding_model_mobile.pt"
+        output_path = "../model/embedding_20250930_102826/best_embedding_model_mobile.pt"
         traced_model.save(output_path)
         print(f"✓ TorchScript模型保存成功: {output_path}")