从零开始：使用cnfood-241数据集训练基础模型并导出int8量化.tflite文件实战指南

1次阅读

没有评论

共计 2954 个字符，预计需要花费 8 分钟才能阅读完成。

cnfood-241 是一个专门针对中餐菜品识别的图像数据集，包含 241 类常见中式菜肴的高质量标注图片。该数据集具有以下特点：

每类菜品包含 500-800 张真实场景拍摄图片
覆盖多种拍摄角度、光照条件和背景复杂度
已经统一调整为 224×224 的标准输入尺寸

选择 int8 量化的主要优势：

模型大小缩减为原来的 1 /4（相比 float32）
推理速度提升 2 - 3 倍
大多数移动设备芯片对 int8 有硬件加速支持

.tflite 格式则是 TensorFlow 官方推荐的移动端模型格式，具有跨平台、轻量化和高性能的特点。

硬件要求：

GPU：至少 4GB 显存（如 NVIDIA GTX 1050 Ti）
RAM：8GB 及以上

软件环境：

# 核心依赖
TensorFlow 2.5+
Python 3.7+
numpy
Pillow

推荐使用 conda 创建虚拟环境：

conda create -n tf_quant python=3.8
conda activate tf_quant
pip install tensorflow==2.7.0

import tensorflow as tf
from tensorflow.keras.preprocessing.image import ImageDataGenerator

# 数据增强配置
train_datagen = ImageDataGenerator(
    rescale=1./255,
    rotation_range=20,
    width_shift_range=0.2,
    height_shift_range=0.2,
    horizontal_flip=True,
    validation_split=0.2  # 80% 训练，20% 验证
)

# 从目录加载数据
train_generator = train_datagen.flow_from_directory(
    'cnfood-241/',
    target_size=(224, 224),
    batch_size=32,
    class_mode='categorical',
    subset='training'
)

val_generator = train_datagen.flow_from_directory(
    'cnfood-241/',
    target_size=(224, 224),
    batch_size=32,
    class_mode='categorical',
    subset='validation'
)

from tensorflow.keras.applications import MobileNetV2
from tensorflow.keras.layers import Dense, GlobalAveragePooling2D
from tensorflow.keras.models import Model

# 使用预训练 MobileNetV2 作为基础模型
base_model = MobileNetV2(
    weights='imagenet', 
    include_top=False,
    input_shape=(224, 224, 3)
)

# 添加自定义分类头
x = base_model.output
x = GlobalAveragePooling2D()(x)
x = Dense(1024, activation='relu')(x)
predictions = Dense(241, activation='softmax')(x)

model = Model(inputs=base_model.input, outputs=predictions)

# 冻结基础模型的前 100 层
for layer in base_model.layers[:100]:
    layer.trainable = False

# 编译模型
model.compile(
    optimizer='adam',
    loss='categorical_crossentropy',
    metrics=['accuracy']
)

# 训练模型
history = model.fit(
    train_generator,
    epochs=15,
    validation_data=val_generator
)

# 转换到 TFLite 格式
converter = tf.lite.TFLiteConverter.from_keras_model(model)

# 设置 int8 量化
converter.optimizations = [tf.lite.Optimize.DEFAULT]
converter.target_spec.supported_ops = [tf.lite.OpsSet.TFLITE_BUILTINS_INT8]
converter.inference_input_type = tf.uint8
converter.inference_output_type = tf.uint8

# 提供代表性数据集用于校准量化参数
def representative_data_gen():
    for images, _ in train_generator:
        yield [images]

converter.representative_dataset = representative_data_gen

# 转换模型
tflite_model = converter.convert()

# 保存量化模型
with open('cnfood241_quant.tflite', 'wb') as f:
    f.write(tflite_model)

指标	原始模型(float32)	量化模型(int8)
模型大小	14.2MB	3.8MB
推理时间(CPU)	120ms	45ms
Top- 1 准确率	89.7%	88.9%

量化后准确率骤降
确保使用了代表性数据集进行校准
检查输入输出类型是否正确设置为 uint8
移动端推理异常
确认设备是否支持 int8 运算
在 Android 中需添加 tflite-support 依赖
训练过程震荡
适当降低学习率(如 1e-4)
增加批量归一化层

Android 端部署关键代码：

// 加载模型
try {Interpreter.Options options = new Interpreter.Options();
    options.setNumThreads(4);
    interpreter = new Interpreter(loadModelFile(context), options);
} catch (Exception e) {Log.e("TFLite", "模型加载失败", e);
}

// 预处理输入
ByteBuffer inputBuffer = convertBitmapToByteBuffer(bitmap);

// 执行推理
interpreter.run(inputBuffer, outputBuffer);

通过本教程，我们完成了从数据准备到量化部署的完整流程。int8 量化在保持较高准确率的同时显著提升了移动端的推理效率。

延伸学习：