如何导出LogisticRegressionCV模型并在Flutter中实现部署

一、导出训练好的LogisticRegressionCV模型 #

scikit-learn训练的模型优先使用joblib做序列化导出，相比pickle对大数组类的模型序列化效率更高：

1. 首先安装依赖（如果没装的话）：
   pip install joblib
2. 训练完成后直接导出模型文件：

import joblib
# 假设你训练完成的模型变量名为lr_clf
joblib.dump(lr_clf, "cat_dog_clf.joblib")

如果需要跨版本兼容，导出前可以先打印当前scikit-learn版本，后续模型转换环节使用相同版本即可避免不兼容问题：
print(sklearn.__version__)

二、Flutter端集成流程 #

Flutter无法直接加载scikit-learn的原生模型文件，需要先做格式转换，推荐两种可落地的方案：

方案1：转换为ONNX格式推理（适配性高） #

ONNX是通用的开放神经网络交换格式，移动端有成熟的推理支持：

1. 首先把joblib/pkl格式的模型转为ONNX：

from skl2onnx import convert_sklearn
from skl2onnx.common.data_types import FloatTensorType

# 这里的输入维度要和你训练时的输入维度完全一致，比如你把224*224*3的RGB图展平为150528维向量，就填对应数值
initial_type = [('input', FloatTensorType([None, 150528]))]
onnx_model = convert_sklearn(lr_clf, initial_types=initial_type)

# 保存ONNX模型
with open("cat_dog_clf.onnx", "wb") as f:
    f.write(onnx_model.SerializeToString())

2. Flutter端集成：
   在pubspec.yaml中引入ONNX运行时的Flutter封装库，把转换好的cat_dog_clf.onnx放到项目的assets目录下声明。推理时先对输入图片做和训练阶段完全一致的预处理：缩放到对应尺寸、像素归一化、展平为一维向量，再传入ONNX运行时得到输出结果，最后按阈值（默认0.5）判断分类结果即可。

方案2：手动导出参数轻量实现（包体积更小） #

逻辑回归的推理逻辑非常简单，本质是 sigmoid(输入特征 × 权重 + 偏置)，你可以直接导出模型参数手动实现推理，不需要引入额外的推理库：

1. 导出模型参数：

import json
# 导出权重和偏置
params = {
    "coef": lr_clf.coef_.tolist(),
    "intercept": lr_clf.intercept_.tolist(),
    "input_dim": lr_clf.n_features_in_
}
with open("lr_params.json", "w") as f:
    json.dump(params, f)

2. Flutter端把lr_params.json放到assets目录加载，自己实现sigmoid函数和矩阵乘法逻辑，输入图片预处理完成后直接计算输出结果即可。

关键注意事项 #

• 移动端的图片预处理逻辑必须和训练阶段完全对齐，包括图片缩放尺寸、插值方式、像素归一化规则、通道顺序（RGB/BGR），否则会出现明显的准确率下降。

内容的提问来源于stack exchange，提问作者zeewa42