将Keras RetinaNet的.h5模型转为TensorFlow SavedModel时遇KeyError: 'inputs'

问题原因 #

keras-retinanet的自定义层（如锚点生成、检测头相关层）的call方法参数未使用标准的inputs命名，TensorFlow在序列化SavedModel时会尝试寻找名为inputs的参数，找不到就抛出KeyError。

解决方案 #

方案1：导出推理专用模型（推荐） #

原训练模型包含训练相关分支（损失计算），先提取纯推理模型再保存，结构更符合TF序列化要求：

import tensorflow as tf
from keras_retinanet import models

# 加载训练好的模型
model = models.load_model("model.h5", backbone_name="resnet50")
# 提取推理模型，仅保留检测输出：boxes, scores, labels
inference_model = models.convert_model(model)

# 运行一次推理让TF确定输入输出形状（可选但能避免序列化时的形状推断问题）
dummy_input = tf.random.normal([1, 512, 512, 3])
_ = inference_model.predict(dummy_input)

# 保存为SavedModel格式
inference_model.save('model_tf', save_format='tf')

方案2：手动指定输入签名保存 #

若需保留原模型结构，可通过tf.function包装推理逻辑并指定输入签名，明确告诉TF输入输出的规范：

import tensorflow as tf
from keras_retinanet import models

model = models.load_model("model.h5", backbone_name="resnet50")

# 定义输入签名，根据你的训练输入尺寸调整shape参数
input_signature = [tf.TensorSpec(shape=(None, None, None, 3), dtype=tf.float32)]

# 包装推理函数，指定训练模式为False（推理模式）
@tf.function(input_signature=input_signature)
def predict_fn(inputs):
    boxes, scores, labels = model(inputs, training=False)
    return {"boxes": boxes, "scores": scores, "labels": labels}

# 保存模型并指定服务签名
tf.saved_model.save(model, 'model_tf', signatures={"serving_default": predict_fn})

方案3：修改自定义层参数名（不推荐） #

找到keras-retinanet库中报错的自定义层（如AnchorBoxes、DetectionHead等），将其call方法的第一个参数改为inputs，重新训练或加载模型后保存。该方法需要修改库源码，维护性差，仅作为备选方案。

内容的提问来源于stack exchange，提问作者Egorundel