KerasCV RetinaNet转TensorFlow.js后predict()输出异常求助

补充说明：根据@mrk的评论提供更多信息

1. 我使用KerasCV RetinaNet检测特定对象，并用以下代码保存模型：

model.save("saved_models/retinanet_model.keras")

该模型在Python中运行正常。

2. 我希望在Node.js中使用此模型，因此通过以下命令转换：

tensorflowjs_converter --input_format=keras --output_format=tfjs_graph_model saved_models/retinanet_model.keras tfjs_models/retinanet_model

转换时出现如下警告：

WARNING:tensorflow:Compiled the loaded model, but the compiled metrics have yet to be built. 'model.compile_metrics' will be empty until you train or evaluate the model.

3. 随后我在Node.js中加载模型：

retinaNetModel = await tf.loadGraphModel("file://./tfjs_models/retinanet_model/model.json");

然而，retinaNetModel.predict()的输出与原模型不符，无法完成预测。

我观察到几个异常现象，认为模型转换可能存在问题，尽管仅出现警告而非错误：

• 在Python中，当模型未检测到对象时，bounding_box、classes等会返回-1；但在TensorFlow.js中得到的是随机负值，返回两个张量，第一个包含bounding_box值，第二个包含类别概率，例如第二个张量内容如下：

[
  [
    [ -4.490991592407227, -4.7061991691589355, -4.518319606781006 ],
    [ -4.743373394012451, -4.800686359405518, -4.49501371383667 ],
    ...
    [ -4.731906414031982, -4.996838569641113, -4.9045610427856445 ],
  ]
]

• 另一个异常是输出张量的大小：在TensorFlow.js中，classes和bounding_boxes有76725个元素/数组，而Python中原模型生成的是长度为100的数组，为何数量差异如此之大？

我在同一台机器上完成了RetinaNet训练、模型转换及在Node.js中加载TensorFlow.js模型的全部操作。
pip list | grep tensorflow的输出如下：

tensorflow                     2.15.0
tensorflow-datasets            4.9.3
tensorflow-decision-forests    1.8.1
tensorflow-estimator           2.15.0
tensorflow-hub                 0.15.0
tensorflow-io-gcs-filesystem   0.34.0
tensorflow-macos               2.15.0
tensorflow-metadata            1.14.0
tensorflowjs                   4.14.0

我使用了完全相同的图像数据，甚至将Python中的图像数组导出后在Node.js中读取，确保数据完全一致。
我通过let imageTensor = tf.tensor(pixeldata).reshape([640, 640, 3]);重塑数据数组，因为我的图像尺寸是640x640。

希望能得到您的建议或指导，非常感谢。

此致，
Doug

内容的提问来源于stack exchange，提问作者Doug