TensorFlow2中使用预训练YOLOv4 Keras模型时出现AttributeError问题的解决咨询

第一个错误：AttributeError: 'Tensor' object has no attribute 'items' #

你最初直接调用new_model(image_data)的写法有问题——在TensorFlow2中，直接调用模型返回的是Eager张量（单输出模型）或Eager张量列表（多输出模型），而非字典。所以当你尝试用.items()遍历的时候，自然会触发属性错误。

你后续改成用model.predict(image_data)是正确的方向：predict()方法会返回模型输出的numpy数组列表，再和model.output_names配对成字典，就能正常遍历处理了。

第二个错误：AttributeError: 'Tensor' object has no attribute 'numpy' #

你的推测完全正确：这个错误确实源于代码处于图执行模式。TensorFlow2默认是Eager执行模式，但如果你的代码在@tf.function装饰的函数内部、禁用了Eager执行，或者处于兼容TF1的静态图上下文里，此时得到的是图张量，这类张量无法直接调用.numpy()方法。

下面给你几种可行的解决方案：

方案1：确保代码在Eager模式下执行 #

先检查当前执行模式：

print(tf.executing_eagerly())

如果输出是False，可以在代码最开头手动开启Eager模式（必须在任何TensorFlow操作前调用）：

import tensorflow as tf
tf.compat.v1.enable_eager_execution()

如果你的后处理代码在@tf.function装饰的函数中，可以把.numpy()的调用移到函数外面——@tf.function的函数在Eager模式下调用时，返回的是Eager张量，支持.numpy()：

@tf.function
def run_detection(image_data):
    prediction_list = new_model(image_data)
    prediction_dict = {name: pred for name, pred in zip(new_model.output_names, prediction_list)}
    value = prediction_dict[new_model.output_names[0]]  # 根据你的模型输出调整索引
    boxes = value[:, :, 0:4]
    pred_conf = value[:, :, 4:]
    return tf.image.combined_non_max_suppression(
        boxes=tf.reshape(boxes, (tf.shape(boxes)[0], -1, 1, 4)),
        scores=tf.reshape(pred_conf, (tf.shape(pred_conf)[0], -1, tf.shape(pred_conf)[-1])),
        max_output_size_per_class=50,
        max_total_size=50,
        iou_threshold=FLAGS.iou,
        score_threshold=FLAGS.score
    )

# 在Eager模式下调用并转换为numpy
boxes, scores, classes, valid_detections = run_detection(image_data)
pred_bbox = [boxes.numpy(), scores.numpy(), classes.numpy(), valid_detections.numpy()]
image = utils.draw_bbox(original_image, pred_bbox)

方案2：在图模式下用Session获取numpy值 #

如果你必须在图模式下运行（比如兼容旧代码），可以用TensorFlow会话来运行张量，获取numpy数组：

# 执行非极大值抑制得到图张量
boxes, scores, classes, valid_detections = tf.image.combined_non_max_suppression(
    boxes=tf.reshape(boxes, (tf.shape(boxes)[0], -1, 1, 4)),
    scores=tf.reshape(pred_conf, (tf.shape(pred_conf)[0], -1, tf.shape(pred_conf)[-1])),
    max_output_size_per_class=50,
    max_total_size=50,
    iou_threshold=FLAGS.iou,
    score_threshold=FLAGS.score
)

# 用Session运行张量得到numpy数组
with tf.compat.v1.Session() as sess:
    sess.run(tf.compat.v1.global_variables_initializer())
    boxes_np, scores_np, classes_np, valid_detections_np = sess.run([boxes, scores, classes, valid_detections])

pred_bbox = [boxes_np, scores_np, classes_np, valid_detections_np]
image = utils.draw_bbox(original_image, pred_bbox)

方案3：用TensorFlow操作替代numpy转换（推荐部署场景） #

如果你的代码需要完全在图模式下运行（比如部署到TensorRT或导出SavedModel），可以避免使用.numpy()，把绘制逻辑包装成tf.py_function来兼容Eager操作：

def draw_bbox_tensor(original_image, boxes, scores, classes, valid_detections):
    # 转换为numpy数组后调用原绘制函数
    pred_bbox = [boxes.numpy(), scores.numpy(), classes.numpy(), valid_detections.numpy()]
    return utils.draw_bbox(original_image.numpy(), pred_bbox)

# 用tf.py_function包装，让它能在图模式中执行Eager操作
image_tensor = tf.py_function(
    func=draw_bbox_tensor,
    inp=[original_image, boxes, scores, classes, valid_detections],
    Tout=tf.uint8
)

内容的提问来源于stack exchange，提问作者jimmy12487