驱动疲劳检测模型运行报错：Feedback manager要求单签名推理

问题分析 #

你遇到的警告：

W0000 00:00:1715924294.765512 2256 inference_feedback_manager.cc:114]
Feedback manager requires a model with a single signature inference.
Disabling support for feedback tensors.

根源在于SavedModel导出方式错误，同时模型定义和加载环节也存在几个问题：

• 直接导出tf.function而非Keras模型，导致签名结构不符合TensorFlow推理反馈管理器的要求
• 模型定义中部分Dropout层未正确添加到Sequential模型中
• 模型导出路径与加载路径不匹配

修复步骤 #

1. 修正模型定义中的Dropout层问题 #

原代码仅创建了Dropout层对象但未添加到模型中，导致正则化失效，修正后：

# 第一卷积块修正
model.add(Conv2D(16, 3, activation='relu', input_shape=X_train.shape[1:]))
model.add(BatchNormalization())
model.add(MaxPooling2D())
model.add(tf.keras.layers.Dropout(0.3))  # 补充add()将层加入模型

# 第二卷积块修正
model.add(Conv2D(32, 5, activation='relu'))
model.add(BatchNormalization())
model.add(MaxPooling2D())
model.add(tf.keras.layers.Dropout(0.3))

# 第三卷积块修正
model.add(Conv2D(64, 10, activation='relu'))
model.add(BatchNormalization())
model.add(MaxPooling2D())
model.add(tf.keras.layers.Dropout(0.3))

2. 正确导出SavedModel（保留单一推理签名） #

不要直接导出tf.function，改用Keras模型的save方法指定服务签名，确保仅存在一个推理签名：

# 定义服务签名
input_signature = [
    tf.TensorSpec(shape=[None, 145, 145, 3], dtype=tf.float32, name='input_tensor')
]

@tf.function(input_signature=input_signature)
def serving_fn(inputs):
    return {"output": model(inputs)}  # 用字典包装输出，提升可读性

# 正确导出模型：使用model.save并指定signatures参数
export_dir = r'E:\system project\project'  # 用原始字符串避免路径转义问题
model.save(export_dir, save_format='tf', signatures={"serving_default": serving_fn})

3. 匹配路径加载模型 #

加载时使用导出的SavedModel目录（而非.keras文件，二者格式不同）：

# 加载SavedModel
loaded_model = tf.saved_model.load(export_dir)
# 获取推理函数
infer_fn = loaded_model.signatures["serving_default"]

# 推理示例
import numpy as np
test_img = np.random.rand(1, 145, 145, 3).astype(np.float32)
result = infer_fn(input_tensor=test_img)
print(result["output"].numpy())

修复逻辑说明 #

• 直接导出Keras模型并指定单一签名，符合TensorFlow推理反馈管理器的结构要求，消除警告
• 修正Dropout层添加逻辑，保证模型正则化机制生效
• 统一导出/加载路径与格式，避免加载错误

内容的提问来源于stack exchange，提问作者Kamali Kinuthia