Python 如何在不降低精度的情况下，将深色权重转换为CoreML模型？

我已经训练了一个YOLOv3 SPP模型，我正在尝试将其转换为CoreML，以便在我的应用程序中使用它。然而，我似乎无法找到一种方法来做到这一点而不失去大量的准确性。我曾尝试将.weights文件转换为Keras.h5文件，然后将其转换为CoreML模型，但在测试h5模型时，似乎无法在某些图片中检测到黑暗权重完美工作的任何内容。此外，在Keras模型检测到对象的图片中，（在许多情况下），边界框要么变大，要么变小。我假设这意味着我的CoreML模型与h5模型一样精确（因此在我的案例中不可用）。我需要从远处检测相对较小的物体，因此我需要使用YOLOv3 SPP，因为它比YOLOv3和YOLOv3微小模型更精确。我不需要那么快。我还尝试使用与Turi Create相同的数据来训练CoreML模型（批量大小为8和50000次迭代），但是它似乎也不太好（相比之下，我在Google Colab上训练了批量大小为64的darknet模型，用于3000次迭代）。我怎样才能在不损失尽可能小的精度的情况下，将我的深色权重转换为CoreML？我有什么遗漏吗？我对机器学习和所有的概念都很陌生，所以写我自己的脚本基本上是不可能的。任何帮助都将不胜感激

你可能错过了什么。；-）这不应该发生。我的猜测是，对核心ML模型的预处理是错误的。这种情况经常发生，因此我写了一篇关于以下内容的博文：

我还没有测试CoreML模型。我的问题不是我的CoreML模型给了我错误的预测，而是我的Keras.h5模型在转换过程中失去了很多准确性。我试图找出如何将我的黑暗权重转换为CoreML而不失去准确性。顺便说一句，你知道有什么Github项目我可以把我的CoreML模型放进去测试吗？我的repo总是在：：-）