树莓派运行Google Teachable Machine TF JS模型遇uint8输入错误求助

1. 验证模型输入数据类型 #

先确认你的Edge TPU模型输入类型是否为uint8，用tflite-cli工具查看：

tflite-cli info --model=你的模型文件名_edgetpu.tflite

查看输出中的Input types字段，如果显示不是uint8，说明模型量化类型不符合要求，需要重新转换。

2. 重新量化并编译模型 #

Teachable Machine导出的模型默认多为float32格式，转Edge TPU时必须指定uint8量化，且需提供代表性数据集做校准：
在Colab的转换代码中补充量化配置：

import tensorflow as tf

# 加载你的原始模型
model = tf.keras.models.load_model('你的原始模型.h5')

converter = tf.lite.TFLiteConverter.from_keras_model(model)
# 开启优化
converter.optimizations = [tf.lite.Optimize.DEFAULT]
# 指定目标类型为uint8
converter.target_spec.supported_types = [tf.uint8]
# 定义代表性数据集（用你的训练数据子集生成，确保覆盖数据分布）
def representative_dataset_gen():
    for _ in range(100):
        # 生成符合模型输入形状的随机数据，或用真实训练样本
        yield [tf.random.normal([1, 224, 224, 3])]
converter.representative_dataset = representative_dataset_gen

# 转换为TFLite模型
tflite_model = converter.convert()
with open('quantized_model.tflite', 'wb') as f:
    f.write(tflite_model)

之后用Edge TPU编译器重新编译这个量化后的模型：

edgetpu_compiler quantized_model.tflite

3. 适配脚本的输入预处理逻辑 #

如果模型已经是uint8输入，检查classify_image.py的图像预处理步骤：

• 确保图像加载后直接转换为uint8格式，不要做归一化到[0,1]的float32处理。比如修改脚本中的输入处理部分：

# 替换原归一化代码（若存在）
# input_data = (input_data - mean) / std
# 改为直接转为uint8
input_data = input_data.astype(np.uint8)

4. 排查编译警告 #

用edgetpu_compiler编译时，如果出现输入类型相关警告，说明模型仍不符合Edge TPU要求，需回到量化步骤调整，确保所有输入输出均为uint8类型。

内容的提问来源于stack exchange，提问作者mongoq