如何将 h5 文件转换为 tflite 文件？

Question

我正在尝试在 Android 上运行车牌检测。可以找到wpod-net.h5所以我尝试使用以下命令将其转换为 TensorFlow lite：import tensorflow as tfmodel = tf.keras.models.load_model('wpod-net.h5')converter = tf.lite.TFLiteConverter.from_keras_model(model)converter.post_training_quantize = Truetflite_model = converter.convert()open("wpod-net.tflite", "wb").write(tflite_model)但是当我运行这个时，我遇到了这个错误：  File "converter.py", line 3, in <module>    model = tf.keras.models.load_model('License_character_recognition.h5')  File "/home/.local/lib/python3.8/site-packages/tensorflow/python/keras/saving/save.py", line 184, in load_model    return hdf5_format.load_model_from_hdf5(filepath, custom_objects,  File "/home/.local/lib/python3.8/site-packages/tensorflow/python/keras/saving/hdf5_format.py", line 175, in load_model_from_hdf5    raise ValueError('No model found in config file.')ValueError: No model found in config file.我也尝试过使用 API tflite_convert --keras_model_file=License_character_recognition.h5 --output_file=test.tflite ，但它给了我同样的错误。这是否意味着如果我自己没有训练模型，我无法将其转换为 tflite ？或者还有其他方法来转换 .h5 吗？

Answer 1

TensorFlow Lite 模型包含权重和模型代码本身。您需要加载 Keras 模型（带权重），然后您将能够转换为 tflite 模型。

获取作者repo的副本，并执行get-networks.sh。您只需要data/lp-detector/wpod-net_update1.h5车牌检测器，这样您就可以提前停止下载。

深入研究代码，您可以在keras utils找到准备好的负载模型函数。

获得模型对象后，可以将其转换为 tflite。

Python3、TF2.4测试：

import sys, os

import tensorflow as tf

import traceback

from os.path                    import splitext, basename

print(tf.__version__)

mod_path = "data/lp-detector/wpod-net_update1.h5"

def load_model(path,custom_objects={},verbose=0):

    #from tf.keras.models import model_from_json

    path = splitext(path)[0]

    with open('%s.json' % path,'r') as json_file:

        model_json = json_file.read()

    model = tf.keras.models.model_from_json(model_json, custom_objects=custom_objects)

    model.load_weights('%s.h5' % path)

    if verbose: print('Loaded from %s' % path)

    return model

keras_mod = load_model(mod_path)

converter = tf.lite.TFLiteConverter.from_keras_model(keras_mod)

tflite_model = converter.convert()

# Save the TF Lite model.

with tf.io.gfile.GFile('model.tflite', 'wb') as f:

    f.write(tflite_model)

祝你好运！