自定义EfficientDet-Lite0模型树莓派运行TensorFlow Lite类型错误排查

问题原因 #

EfficientDet-Lite0的输出张量结构和原代码适配的MobileNetV2不同：num_boxes不是单个标量值，而是带批量维度的数组/张量（比如形状为(1,)的numpy数组或TensorFlow张量），直接用int(num_boxes)转换就会触发"only size-1 arrays can be converted to Python scalars"错误。

解决方案 #

针对InferenceTensorFlow函数里的num_boxes处理部分，做以下修改：

1. 提取标量值
   如果num_boxes是TensorFlow张量，先转成numpy数组再取第一个元素；如果已经是numpy数组，直接取索引[0]：

   # 替换原来的num_boxes = int(num_boxes)
   import numpy as np
   # 处理TensorFlow张量或numpy数组的情况
   if hasattr(num_boxes, 'numpy'):
       num_boxes = num_boxes.numpy()
   num_boxes = int(num_boxes[0])
   

2. 兼容批量推理的鲁棒性处理
   为避免后续因输出结构变化再出问题，增加判断确保只处理有效维度：

   num_boxes = num_boxes.squeeze()  # 压缩所有大小为1的维度
   # 如果压缩后还是数组（比如批量大小>1），取第一个元素（适配单帧推理场景）
   if isinstance(num_boxes, (np.ndarray, list)):
       num_boxes = int(num_boxes[0])
   else:
       num_boxes = int(num_boxes)
   

3. 同步调整其他输出张量
   EfficientDet-Lite0的boxes、scores、classes输出同样带批量维度，需要同步提取单帧数据：

   # 原代码可能直接用boxes，现在要取第0个批量的结果
   boxes = boxes[0]
   scores = scores[0]
   classes = classes[0]
   

验证方法 #

修改后先打印输出张量的形状：

print("num_boxes shape:", num_boxes.shape)
print("boxes shape:", boxes.shape)

确认num_boxes压缩后是单个数值，boxes等输出形状为(N, 4)（N为检测框数量）即可。

内容的提问来源于stack exchange，提问作者FireFalcon3469