Streamlit应用依赖报错，加载pickle存储的Keras模型运行失败求助

• Keras模型序列化方式错误：pickle会完整记录模型类的导入路径、内部依赖对象的结构，而Keras/TensorFlow的模型层、计算图对象本身不兼容pickle序列化规范，无法保证跨环境/跨版本加载的可用性，是这类报错的核心诱因。
• 依赖版本不匹配：训练模型时使用的Keras、TensorFlow版本和当前运行环境的版本不一致，导致pickle加载时无法找到对应路径的类定义，你遇到的No module named 'keras.engine.sequential'报错就是典型的版本差异导致的类路径变更问题。
• 运行环境依赖冲突：当前Anaconda环境未正确安装对应版本的Keras/TensorFlow，或者同时安装了独立Keras包和TensorFlow内置的tf.keras，导致导入路径冲突。

1. 改用Keras官方序列化方案（优先推荐）
   完全替换pickle的存储逻辑，使用Keras原生的模型保存加载接口，规避序列化兼容问题：

• 训练阶段保存模型：

# Keras 3.x 推荐使用原生.keras格式
model.save('model_pose.keras')
# 旧版本Keras/TensorFlow可使用.h5格式
# model.save('model_pose.h5')

• 应用阶段加载模型：

model = keras.models.load_model(os.path.join(ruta_to_model, 'model_pose.keras'))

2. 对齐运行环境版本
   如果确实需要保留pickle序列化的模型，需要保证运行环境和训练环境的依赖完全一致：

• 在训练模型的环境中执行pip freeze > requirements.txt导出依赖清单
• 在当前运行Streamlit的Anaconda环境中执行pip install -r requirements.txt安装完全匹配的依赖版本，避免类路径变更问题。

3. 修复依赖冲突
   如果同时安装了独立Keras包和TensorFlow，建议统一使用TensorFlow内置的Keras接口，代码中所有导入keras的语句统一替换为from tensorflow import keras，保证导入路径一致。

内容的提问来源于stack exchange，提问作者Lash