【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
2501_924879266 分钟前
客流特征识别误报率↓76%!陌讯多模态时序融合算法在智慧零售的实战解析
大数据·人工智能·算法·目标检测·计算机视觉·视觉检测·零售
说私域14 分钟前
消费、渠道与技术变革下新零售的崛起与开源AI大模型AI智能名片S2B2C商城小程序的融合发展
人工智能·开源·零售
北京地铁1号线19 分钟前
广告推荐模型2:因子分解机(Factorization Machines, FM)
人工智能·算法·推荐算法
做一个快乐的小傻瓜21 分钟前
机器学习笔记
人工智能·决策树·机器学习
居然JuRan25 分钟前
MCP:基础概念、快速应用和背后原理
人工智能
1ucency1 小时前
Dify插件“Database”安装及配置
人工智能
eqwaak01 小时前
科技信息差(8.26)
大数据·开发语言·人工智能·编辑器
念夏沫1 小时前
“华生科技杯”2025年全国青少年龙舟锦标赛在海宁举行
大数据·人工智能·科技
2202_756749691 小时前
自然处理语言NLP: 基于双分支 LSTM 的酒店评论情感分析模型构建与实现
人工智能·自然语言处理·lstm
聚客AI1 小时前
❗️智能体工作流(Agentic Workflow):AI应用开发的全面解析
人工智能·llm·agent