适配Python版本与依赖包推荐：实现.pt转.tflite文件转换

一、推荐的Python版本与依赖包版本 #

选择Python 3.11.6，该版本对TensorFlow 2.14+、PyTorch 2.1+均有稳定支持，适配性强。以下是经过验证的依赖包版本（避免冲突，tensorflow与tensorflow-intel二选一即可）：

pip install numpy==1.24.3
pip install tensorflow==2.15.0  # 若为英特尔CPU，可替换为tensorflow-intel==2.15.0
pip install torch==2.1.0
pip install torchvision==0.16.0
pip install onnx==1.14.0
pip install onnxruntime==1.15.1

二、.pt转.tflite的可靠流程 #

.pt是PyTorch模型文件，需通过中间格式转换为TFLite，以下是两种稳定可行的方案：

方案1：PyTorch → ONNX → TFLite #

1. 导出PyTorch模型为ONNX格式（注意输入尺寸需与实际推理一致）：

import torch

# 替换为你的模型加载逻辑
model = torch.load("your_model.pt", map_location="cpu")
model.eval()

# 构造与模型输入匹配的虚拟张量，示例为[批量数, 通道数, 高, 宽]
dummy_input = torch.randn(1, 3, 224, 224)
# 指定opset_version=14以兼容更多PyTorch算子
torch.onnx.export(model, dummy_input, "model.onnx", opset_version=14)

2. 将ONNX模型转换为TFLite：

import tensorflow as tf

converter = tf.lite.TFLiteConverter.from_onnx("model.onnx")
# 开启TF算子支持，解决部分算子无法被TFLite内置算子覆盖的问题
converter.target_spec.supported_ops = [
    tf.lite.OpsSet.TFLITE_BUILTINS,
    tf.lite.OpsSet.SELECT_TF_OPS
]
# 若需量化可添加converter.optimizations = [tf.lite.Optimize.DEFAULT]
tflite_model = converter.convert()

with open("model.tflite", "wb") as f:
    f.write(tflite_model)

方案2：PyTorch → TensorFlow SavedModel → TFLite #

若ONNX转换存在算子兼容问题，可先转TensorFlow SavedModel再转TFLite：

1. 安装辅助工具：

pip install onnx-tf==1.10.0

2. 转换ONNX到SavedModel：

onnx-tf convert -i model.onnx -o saved_model_dir

3. SavedModel转TFLite：

import tensorflow as tf

converter = tf.lite.TFLiteConverter.from_saved_model("saved_model_dir")
converter.target_spec.supported_ops = [
    tf.lite.OpsSet.TFLITE_BUILTINS,
    tf.lite.OpsSet.SELECT_TF_OPS
]
tflite_model = converter.convert()

with open("model.tflite", "wb") as f:
    f.write(tflite_model)

三、之前尝试失败的可能原因 #

1. 同时安装tensorflow与tensorflow-intel，引发依赖冲突，需仅保留一个；
2. ONNX导出时opset版本过低（你使用的是opset13），无法兼容部分PyTorch算子；
3. 转换TFLite时未开启SELECT_TF_OPS，导致部分算子无法被TFLite支持。

内容的提问来源于stack exchange，提问作者abc777