【机器学习】TensorFlowLite安装和模型训练

运行环境

Linux,部分库不支持Apple芯片

做AI这部分的开发,还是强烈建议装个Linux双系统或虚拟机

这些比折腾Windows和Mac上的移植环境要轻松得多

安装依赖
tex 复制代码
sudo apt install libportaudio2=19.6.0-1.2
pip3 install tf-models-official==2.3.0
pip3 install tensorflow-hub==0.12
pip3 install numpy==1.23.5
pip3 install pillow==10.1.0
pip3 install sentencepiece==0.1.99
pip3 install tensorflow-datasets==2.1.0
pip3 install fire==0.3.1
pip3 install flatbuffers==23.5.26
pip3 install absl-py==1.4.0
pip3 install urllib3==2.1.0
pip3 install tflite-support==0.4.2
pip3 install tensorflowjs==3.18.0
pip3 install tensorflow==2.15.0
pip3 install numba==0.58.1
pip3 install librosa==0.8.1
pip3 install lxml==4.6.1
pip3 install PyYAML==6.0.1
pip3 install matplotlib==3.4.0
pip3 install six==1.16.0
pip3 install tensorflow-addons==0.23.0
pip3 install neural-structured-learning==1.3.1
pip3 install tensorflow-model-optimization==0.7.5
pip3 install Cython==0.29.13
pip3 install protobuf==3.20.3
pip3 install tensorflow==2.8.4
pip3 install scann==1.2.6
pip3 install tflite-model-maker==0.4.2
准备训练图片
txt 复制代码
图片存放格式如下
--ModelFolder
----ClassFolder01
------Image01
------Image02
------Image03
----ClassFolder02
------Image01
------Image02
------Image03
----ClassFolder03
------Image01
------Image02
------Image03
TensorFlowLite对训练图片的格式要求非常严格,不仅仅是后缀名正确可以
测试图片和参考文档

https://storage.googleapis.com/download.tensorflow.org/example_images/flower_photos.tgz

https://www.tensorflow.org/lite/models/modify/model_maker/image_classification

https://colab.research.google.com/github/tensorflow/docs-l10n/blob/master/site/zh-cn/lite/models/modify/model_maker/image_classification.ipynb

模型训练与导出
python 复制代码
	import os
	import numpy
	import tensorflow as tf
	import matplotlib.pyplot as plot
	from tflite_model_maker import model_spec as ModelSpec
	from tflite_model_maker import image_classifier as ImageClassifier
	from tflite_model_maker.config import ExportFormat
	from tflite_model_maker.config import QuantizationConfig
	from tflite_model_maker.image_classifier import DataLoader
	from keras.layers import normalization
	
	print("Model Train Started")
	data = DataLoader.from_folder("/home/dev/flower_photos")
	trainData, testData = data.split(0.9)
	model = ImageClassifier.create(trainData)
	loss, accuracy = model.evaluate(testData)
	model.export("/home/dev/flower_photos")
	print("Model Exported")
相关推荐
牛客企业服务10 分钟前
2025年AI面试推荐榜单,数字化招聘转型优选
人工智能·python·算法·面试·职场和发展·金融·求职招聘
视觉语言导航41 分钟前
RAL-2025 | 清华大学数字孪生驱动的机器人视觉导航!VR-Robo:面向视觉机器人导航与运动的现实-模拟-现实框架
人工智能·深度学习·机器人·具身智能
**梯度已爆炸**1 小时前
自然语言处理入门
人工智能·自然语言处理
ctrlworks1 小时前
楼宇自控核心功能:实时监控设备运行,快速诊断故障,赋能设备寿命延长
人工智能·ba系统厂商·楼宇自控系统厂家·ibms系统厂家·建筑管理系统厂家·能耗监测系统厂家
BFT白芙堂2 小时前
睿尔曼系列机器人——以创新驱动未来,重塑智能协作新生态(上)
人工智能·机器学习·机器人·协作机器人·复合机器人·睿尔曼机器人
aneasystone本尊2 小时前
使用 MCP 让 Claude Code 集成外部工具
人工智能
静心问道2 小时前
SEW:无监督预训练在语音识别中的性能-效率权衡
人工智能·语音识别
羊小猪~~2 小时前
【NLP入门系列五】中文文本分类案例
人工智能·深度学习·考研·机器学习·自然语言处理·分类·数据挖掘
xwz小王子2 小时前
从LLM到WM:大语言模型如何进化成具身世界模型?
人工智能·语言模型·自然语言处理
我爱一条柴ya2 小时前
【AI大模型】深入理解 Transformer 架构:自然语言处理的革命引擎
人工智能·ai·ai作画·ai编程·ai写作