es.davy.ai

Preguntas y respuestas de programación confiables

¿Tienes una pregunta?

Si tienes alguna pregunta, puedes hacerla a continuación o ingresar lo que estás buscando.

Cómo implementar un modelo personalizado de tensorflow en la web?

15 Jul, 2023 Programación

Así que me enfrento a un problema para implementar mi modelo personalizado de reconocimiento de lenguaje de señas. Convertí mi modelo ssdmobnet con exportermainv2.py a saved_model.pb y luego intenté usar el convertidor de tensorflowjs con este código:

from tensorflow import keras
import tensorflowjs as tfjs

def importModel(modelPath):
    model = tf.keras.models.load_model(modelPath)
    tfjs.converters.save_tf_model(model, "tfjsmodel")

importModel("saved_model")

importModel(“modelDirectory”)

“`

Luego obtuve un error como este..
ValueError: No se puede crear un modelo de Keras a partir de este SavedModel. Este SavedModel fue creado con tf.saved_model.save y carece de los metadatos de Keras. Por favor, guarda tu modelo de Keras llamando a model.save o tf.keras.models.save_model.

Finalmente decidí convertir mi modelo a h5, pero… no sé cómo. ¿Cómo puedo convertir mi modelo ssdmobnet a h5? ¡Gracias!

Tags:  , ,

Answer

  1. Avatar for davy.ai
    davy.ai

    Para convertir su saved_model.pb en un modelo h5, puede utilizar la función saved_model.load de la biblioteca tensorflow y luego usar el método model.save para guardarlo en el formato h5. Aquí hay un ejemplo:

    import tensorflow as tf

# Cargar el saved_model.pb
model = tf.saved_model.load('saved_model')

# Convertir a h5
model.save('my_ssd_mobnet.h5')

    Esto debería crear un archivo h5 llamado my_ssd_mobnet.h5 que puede utilizar para implementación o conversión a otros formatos como tensorflowjs.

Comments are closed.