pip install tensorflow tensorflow-lite

import tensorflow as tf

# Загрузите набор данных MNIST
mnist = tf.keras.datasets.mnist
(x_train, y_train), (x_test, y_test) = mnist.load_data()
x_train, x_test = x_train / 255.0, x_test / 255.0

# Определить модель
model = tf.keras.models.Sequential([
    tf.keras.layers.Conv2D(32, (3, 3), activation='relu', input_shape=(28, 28, 1)),
    tf.keras.layers.MaxPooling2D((2, 2)),
    tf.keras.layers.Conv2D(64, (3, 3), activation='relu'),
    tf.keras.layers.MaxPooling2D((2, 2)),
    tf.keras.layers.Flatten(),
    tf.keras.layers.Dense(64, activation='relu'),
    tf.keras.layers.Dense(10, activation='softmax')
])

# Скомпилировать модель
model.compile(optimizer='adam',
              loss='sparse_categorical_crossentropy',
              metrics=['accuracy'])

# Модель обучения
model.fit(x_train, y_train, epochs=5, validation_data=(x_test, y_test))

# Сохранить модель
model.save('mnist_model.h5')

import tensorflow as tf

# Загрузить модель
model = tf.keras.models.load_model('mnist_model.h5')

# Преобразование в TensorFlow Облегченный формат
converter = tf.lite.TFLiteConverter.from_keras_model(model)
tflite_model = converter.convert()

# Сохраните преобразованную модель
with open('mnist_model.tflite', 'wb') as f:
    f.write(tflite_model)

import tensorflow as tf
import numpy as np
import cv2

# Загрузить TensorFlow Облегченная модель
interpreter = tf.lite.Interpreter(model_path='mnist_model.tflite')
interpreter.allocate_tensors()

# Получите входные и выходные тензоры
input_details = interpreter.get_input_details()
output_details = interpreter.get_output_details()

# Подготовьтесь к вводу данных
def preprocess_image(image_path):
    image = cv2.imread(image_path, cv2.IMREAD_GRAYSCALE)
    image = cv2.resize(image, (28, 28))
    image = image / 255.0
    image = np.expand_dims(image, axis=-1).astype(np.float32)
    return np.expand_dims(image, axis=0)

input_data = preprocess_image('test_image.png')

# Установить входной тензор
interpreter.set_tensor(input_details[0]['index'], input_data)

# Запустите модель
interpreter.invoke()

# Получить выходные результаты
output_data = interpreter.get_tensor(output_details[0]['index'])
print("Predicted label:", np.argmax(output_data))

scp mnist_model.tflite pi@raspberrypi.local:/home/pi/

pip install tflite-runtime

python run_model.py