使用OpenCV的readNetFromTensorflow加载efficientdet-d3_frozen.pb失败求助

问题 #

我在Windows环境（Python 3.9.11、tensorflow>=2.10.0）下，通过EfficientDet官方工具将coco checkpoint成功转换为frozen模型efficientdet-d3_frozen.pb，且使用以下命令测试推理正常：

python model_inspect.py --runmode=saved_model_infer --model_name=efficientdet-d3 --saved_model_dir=export_orig\efficientdet-d3_frozen.pb --min_score_thresh=0.1 --input_image=test2.jpg --output_image_dir=output

但在另一环境（Ubuntu 20.04、OpenCV 4.6.0、CUDA 11.4、Python 3.8.10、NodeJS+opencv4nodejs）中，执行let net = await cv2.readNetFromTensorflow(modelPbPathOrig);时出现报错：

ReadNetFromTensorflow - OpenCV Error: (Input layer not found: fpn_cells/cell_2/fnode7/WSM_1) in connect, in file /home/stuurgurs/opencv4/opencv-4.7.0/modules/dnn/src/tensorflow/tf_importer.cpp

我尝试调整超参数、搭配.pbtxt文件使用均无效，但加载其他模型（如opencv_face_detector_uint8.pb）正常，请问问题出在哪里？

分析与解决方法 #

核心原因 #

• OpenCV版本不匹配：报错日志显示调用的是OpenCV 4.7.0的导入代码，但你实际环境是4.6.0，说明opencv4nodejs可能自动绑定了高版本库，而旧版OpenCV的TensorFlow模型导入器对EfficientDet的部分层命名（如fpn_cells/cell_2/fnode7/WSM_1）解析逻辑存在bug。
• TensorFlow版本差异：Windows用TF2.10+导出的模型，Ubuntu环境中opencv4nodejs依赖的TensorFlow runtime版本和导出版本不兼容，导致层依赖解析失败。
• Frozen模型冗余层干扰：官方工具导出的frozen pb包含了部分训练时的辅助层，TensorFlow推理时会自动忽略，但OpenCV的DNN模块会尝试解析所有层，从而找不到对应输入依赖。

解决步骤 #

1. 统一OpenCV版本：
   • 要么把Ubuntu环境的OpenCV升级到4.7.0及以上，要么卸载重装opencv4nodejs，强制绑定你本地安装的4.6.0库（安装时可通过指定OPENCV4NODEJS_DISABLE_AUTOBUILD环境变量避免自动下载高版本）。
2. 重新导出适配OpenCV的模型：
   • 放弃frozen pb格式，用model_inspect.py导出标准SavedModel格式，再用TensorFlow工具转成TFLite模型——OpenCV对TFLite的支持更稳定，且TFLite会自动剔除冗余训练层。
   • 导出SavedModel时，添加--saved_model_mode=serving参数，确保只保留推理必需的计算图。
3. 手动指定模型输入输出层：
   • 用TensorFlow的tf.compat.v1.graph_util.extract_sub_graph提取仅包含推理逻辑的子图，生成精简版pb文件。
   • 手动编写.pbtxt文件，明确指定模型的输入层（如image_arrays:0）和输出层（如detections:0），让OpenCV跳过冗余层的解析。
4. 换用TensorFlow.js推理：
   • 既然是NodeJS环境，直接用TensorFlow.js加载SavedModel，完全适配TensorFlow导出的模型结构，避开OpenCV DNN的解析问题。

内容的提问来源于stack exchange，提问作者user251758