如何加载FastAI导出的pkl模型文件？

首先得明确FastAI里model.save()和model.export()的核心区别：

• model.save()只保存模型权重（生成.pth文件），加载时必须先创建和训练时结构一致的Learner实例——也就是得先定义好ImageDataLoaders、指定模型架构，再用model.load()载入权重。
• model.export()会导出完整的Learner对象，包括模型结构、训练好的权重、数据预处理管道、类别标签映射等所有必要信息，生成的.pkl文件可以直接用load_learner()加载，完全不需要重新定义数据加载器。

正确加载.pkl文件做预测的步骤 #

1. 确保本地环境安装FastAI：

   pip install fastai
   

2. 直接加载模型并调用预测：

   from fastai.vision.all import *
   
   # 加载导出的模型文件
   learn = load_learner("path/to/your/export.pkl")
   
   # 对单张图片做预测
   img = PILImage.create("path/to/test/image.jpg")
   pred_class, pred_idx, outputs = learn.predict(img)
   print(f"预测类别：{pred_class}，置信度：{round(outputs[pred_idx].item(), 4)}")
   

为什么不需要重新定义ImageDataLoaders？ #

model.export()已经把训练时的所有数据预处理规则（比如图像尺寸、归一化参数）、类别与标签的映射关系都打包进了.pkl文件，load_learner会自动还原这些配置，所以不需要重复构建数据加载器就能直接用。

若使用.pth权重文件加载的方法（可选） #

如果你一定要用model.save()保存的.pth文件，必须严格复刻训练时的环境：

1. 定义和训练时完全一致的ImageDataLoaders（包括图像尺寸、预处理、类别划分等）：

   dls = ImageDataLoaders.from_folder(
       "your/data/path",
       train="train",
       valid="valid",
       item_tfms=Resize(224),  # 和训练时的尺寸一致
       batch_tfms=Normalize.from_stats(*imagenet_stats)
   )
   

2. 创建Learner并加载权重：

   learn = cnn_learner(dls, resnet18, metrics=error_rate)
   learn.load("model_name")  # 这里填save时的文件名，不需要带.pth后缀
   

3. 之后就能正常调用learn.predict()进行预测了。

总结：优先使用model.export()配合load_learner()的方式，这是FastAI专为模型部署设计的标准流程，能直接得到可用于预测的Learner对象，无需重复构建数据加载器。

内容的提问来源于stack exchange，提问作者Kshipra Jadav