如何修改TensorFlow模型输入尺寸适配OpenCV DNN静态输入

针对你遇到的OpenCV DNN不支持可变输入尺寸的问题，以下是几种修改TensorFlow模型输入尺寸的可行方案：

方案1：重新构建模型并迁移权重 #

直接替换输入层未生效的原因通常是后续层未正确与新输入层连接，可通过重新搭建模型结构并迁移原权重解决：

import tensorflow as tf
from tensorflow.keras.models import Model
from tensorflow.keras.layers import Input

# 加载原模型
original_model = tf.keras.models.load_model('smfish.h5')

# 定义固定输入尺寸（根据你的显微图像实际尺寸调整，示例为512x512单通道）
fixed_input = Input(shape=(512, 512, 1))

# 遍历原模型层，从第二层开始构建新模型（跳过原输入层）
x = fixed_input
for layer in original_model.layers[1:]:
    x = layer(x)

# 创建新模型并迁移权重
new_model = Model(inputs=fixed_input, outputs=x)
new_model.set_weights(original_model.get_weights())

# 验证输入尺寸是否固定
new_model.summary()

# 保存修改后的模型
new_model.save('smfish_fixed_input.h5')

注意：若原模型包含自定义层，需先在当前环境中注册该自定义层类，否则加载权重会失败。

方案2：使用clone_model快速替换输入层 #

利用TensorFlow内置的克隆函数，可更简洁地替换输入层：

import tensorflow as tf

# 加载原模型
original_model = tf.keras.models.load_model('smfish.h5')

# 定义新的固定输入张量
new_input = tf.keras.Input(shape=(512, 512, 1))

# 克隆模型并替换输入
cloned_model = tf.keras.models.clone_model(
    original_model,
    input_tensors=new_input
)

# 迁移原模型权重
cloned_model.set_weights(original_model.get_weights())

cloned_model.summary()
cloned_model.save('smfish_cloned_fixed.h5')

方案3：导出ONNX时直接指定固定输入尺寸 #

无需修改原TensorFlow模型，在转ONNX阶段直接锁定输入形状：

1. 先将.h5模型转换为SavedModel格式：

original_model = tf.keras.models.load_model('smfish.h5')
original_model.save('./smfish_saved_model')

2. 使用tf2onnx工具指定输入尺寸（需先安装tf2onnx）：

python -m tf2onnx.convert --saved-model ./smfish_saved_model --output smfish_fixed.onnx --inputs input_1:0[1,512,512,1]

其中input_1是原模型输入层的名称，可通过original_model.input.name查看；[1,512,512,1]对应批量大小、图像高度、宽度、通道数，可根据需求调整。

额外注意事项 #

• 选择输入尺寸时，需与实际处理的显微图像尺寸匹配，或确保图像缩放后不影响峰值检测精度；
• 若模型包含批量归一化层，推理前需设置model.trainable = False，确保层处于推理模式；
• 转ONNX后可使用Netron工具验证输入尺寸是否已固定，确认无误后再用OpenCV DNN加载。

内容的提问来源于stack exchange，提问作者Kamal