Распознавание наличия маски на лице методами ML с TensorFlow и Flutter

import 'package:camera/camera.dart';
import 'package:flutter/cupertino.dart';
import 'package:flutter/material.dart';
import 'package:tflite/tflite.dart';

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

  @override
  _HomeState createState() => _HomeState();
}

class _HomeState extends State<Home> {
  List<CameraDescription>? cameras;
  CameraImage? imgCamera;
  CameraController? cameraController;
  bool isWorking = false;
  String result = '';


  @override
  void initState() {
    super.initState();
    loadModel();
    initCamera();

  }

  loadModel() async {
  //загружаем данные TensorFlow

    await Tflite.loadModel(
      model: 'assets/model.tflite',
      labels: 'assets/labels.txt',
    );
  }

  initCamera() async {
  //инициализируем камеру телефона - автоматически
  //будет запрос на разрешение, и если все нормально, 
  //то запустится потоковое обновление картинки с камеры

  cameras = await availableCameras();
  //cameras[] содержит камеры устройства, 
  //0 - основная, 1 - сэлфи

    cameraController = CameraController(cameras![0], ResolutionPreset.medium);

    cameraController! .initialize() .then((value) {
      if (!mounted) return; //если камеру не разрешили - завершаем работу

      setState(() {
        cameraController! .startImageStream((imageFromStream) => {
            //обязательно делаем проверку, не занят ли
            //телефон обработкой кадра   
              if (!isWorking)
                {
                  isWorking = true,
                  imgCamera = imageFromStream,
                  runModelOnFrame(),
                }
            });
      });
    });
  }


  runModelOnFrame() async {
  //сам блок работы над кадром
  //распознанных объектов может быть несколько, тогда
  //надо будет запустить итератор над recognitions

    if (imgCamera != null) {
      var recognitions = await Tflite .runModelOnFrame(
        bytesList: imgCamera! .planes.map((plane) {
          return plane .bytes;
        }) .toList(),
        imageHeight: imgCamera! .height,
        imageWidth: imgCamera! .width,
        imageMean: 127.5,
        imageStd: 127.5,
        numResults: 1, //количество распознаваемых объектов в кадре
        asynch: true,
      );
      result = recognitions! .first["label"];

//список recognitions содержит такие поля, как
//double confidence - степень уверенности
//int index - номер найденного образа в модели
//String label - метка


//TODO...именно здесь в зависимости от результата можно
//добавить свою логику работы.

      setState(() {
      //после завершения анализа обновляем экран с новым 
      //результатом и разрешаем отправку еще одного кадра
      //на анализ
        result;
      });
      isWorking = false;
    }
  }

  @override
  Widget build(BuildContext context) {
  // рабочий экран приложения - в заголовке 
  //результат от TFLite, в теле - вид из камеры

    return SafeArea(
        child: Scaffold(
          appBar: AppBar(
                 title: Text(result),
                 centerTitle: true,
                    ),
          body: Container(
          child: (!cameraController! .value .isInitialized)
            ? Container()
            : CameraPreview(cameraController!),
            ),
         ));
  }
}

Image .network(capturedImage.path);