imageAI搭配TensorFlow/Keras报tensorflow.python.platform模块缺失错误

报错截图：

问题根因 #

该报错由两类问题共同触发：

• 核心原因是依赖版本不兼容：imageAI旧稳定版本仅适配TensorFlow 2.4~2.9版本区间，≥2.10版本的TensorFlow调整了内部私有API的目录结构，导致sidecar_evaluator.py中导入tensorflow.python.platform模块时找不到对应路径。
• 附加问题是提供的imagea.py代码存在多处缩进语法错误，即使解决依赖问题也无法正常运行。

修复步骤 #

• 清理环境中不兼容的依赖
  进入项目对应的Python/conda环境，执行命令卸载冲突包：

pip uninstall -y tensorflow tensorflow-gpu keras imageai numpy

• 安装经过验证的兼容版本依赖
  直接固定版本安装，避免自动拉取最新不兼容版本：

pip install numpy==1.23.5
pip install tensorflow==2.9.0
pip install keras==2.9.0
pip install imageai==3.0.3

使用N卡CUDA加速的用户，将上述命令中的tensorflow==2.9.0替换为tensorflow-gpu==2.9.0即可，对应配套CUDA版本为11.2、cuDNN版本为8.1。

• 修正代码缩进错误
  原imagea.py中函数内代码、主逻辑判断块存在缩进错位，修正后可运行代码如下：

import os
import threading
from imageai.Prediction import ImagePrediction
from imageai.Prediction.Custom import ModelTraining
from imageai.Prediction.Custom import CustomImagePrediction

def modelTrain(dataDir='data',classNum=2,epochs=100,batch_size=32):
    model_trainer = ModelTraining()
    model_trainer.setModelTypeAsResNet()
    model_trainer.setDataDirectory(dataDir)
    model_trainer.trainModel(num_objects=classNum, num_experiments=epochs,enhance_data=True, batch_size=batch_size, show_network_summary=True)
    print('Model Train Finished!!!')

def modelPredict(model_path='data/models/model_ex-001_acc-0.500000.h5',
  class_path='data/json/model_class.json',
  pic_path='a.jpg',classNum=2,resNum=5):
    prediction=CustomImagePrediction()
    prediction.setModelTypeAsResNet()
    prediction.setModelPath(model_path)
    prediction.setJsonPath(class_path)
    prediction.loadModel(num_objects=classNum,prediction_speed='fastest') 
    predictions,probabilities=prediction.predictImage(pic_path,result_count=resNum)
    for eachPrediction, eachProbability in zip(predictions, probabilities):
        print(eachPrediction+" : "+str(eachProbability))

if __name__=='__main__':
    modelTrain(dataDir='data',classNum=2,epochs=10,batch_size=8)
    modelPredict(model_path='data/models/model_ex-001_acc-0.500000.h5',
    class_path='data/json/model_class.json',
    pic_path='test.jpg',classNum=2,resNum=5)

• 验证修复结果
  执行如下命令做导入校验，无报错即说明模块问题修复完成：

python -c "import tensorflow as tf; from tensorflow.python.platform import tf_logging; print('TensorFlow版本：', tf.__version__, '模块导入正常')"

校验通过后即可正常运行训练、预测逻辑。

注意：不要通过修改TensorFlow安装目录源码、手动改写sidecar_evaluator.py导入路径的方式临时绕过报错，这类操作会触发更多连锁依赖异常，固定兼容版本是稳定性最高的方案。

内容的提问来源于stack exchange，提问作者yannn31