Python 在EDge TPU USB上运行分类推理，无需每次重新加载模型

我对Tensor Flow/Edge TPU的使用非常陌生。 当我使用classify_image.py脚本运行图像分类时 它在Edge TPU USB模块上的性能非常差，因为它总是加载模型并重新启动设备（每次运行脚本时都会看到Win10设备管理器重新安装它）。

---

有没有办法运行python脚本，使用USB加密狗中最后加载的模型对图像进行分类，从而避免3-5秒的设备配置时间？

通常，您应该首先加载模型并存储它。然后，当您使用它进行调用时，您只需要分配张量，然后将输入传递给它。您可以在循环等待输入（即通过websocket发送……或加载目录）时保留脚本。但据我所见，您必须将图像自加载到模型中，因此很难将TPU的固定部分自分配到您的模型中。

请您更新问题，并提供更多关于任务是什么、设置/过程是什么、预期结果是什么、结果是什么的详细信息。这将允许人们理解问题并给你有用的建议，而不是随机的信息，这些信息可能对你的用例毫无帮助。什么是classify_image.py？我想这方面需要一些知识，但指向您正在使用的资源（如源代码、文档等）也无妨。我遵循了Coral:[link]的quide示例，但使用了我自己的tensor flow编译模型。正如我所说的，这是可以预期的，但我需要使用不同的图片重新运行脚本，而不会每次重新加载模型，从而导致5秒的设备配置延迟。我要做的是：python classify_image.py--model Mymodel.tflite--labels Mylabels.txt--input 1stpicture.bmp（需要5秒，没有问题）python重新分类——输入2ndpicture.bmp（不应超过几毫秒），因此我在这里寻找“重新分类”脚本。