将MobilenetV3集成到React-Native Expo时遇张量形状不匹配错误求助

1. 匹配输入张量与模型训练时的尺寸 #

你的输入张量尺寸是[1,285,285,3]，但模型训练时在pipeline.config中配置的输入尺寸（image_resizer_config）大概率不是这个值。打开训练用的pipeline.config，找到image_resizer_config节点，查看fixed_shape_resizer的height和width（比如常见的224x224或320x320），将输入图片resize到对应尺寸。

修改convertBase64ToTensor函数，加入尺寸调整逻辑：

const convertBase64ToTensor = async (base64) => {
  // 从base64创建张量
  const imgTensor = await tf.browser.fromPixelsAsync(base64);
  // 替换为你pipeline.config里的尺寸
  const targetSize = [224, 224];
  const resizedTensor = tf.image.resizeBilinear(imgTensor, targetSize);
  // 增加batch维度，转float32并归一化（模型输入通常需要归一化）
  const inputTensor = resizedTensor.expandDims(0).cast('float32').div(tf.scalar(255));
  
  // 释放中间张量避免内存泄漏
  imgTensor.dispose();
  resizedTensor.dispose();
  return inputTensor;
};

2. 修正输入数据类型 #

日志显示输入张量是int32类型，但MobileNetV3这类模型的输入通常要求float32并做归一化（像素值除以255），上面的代码已经包含了类型转换和归一化操作，解决数据类型不匹配的问题。

3. 确保模型转换时指定正确的输出节点 #

目标检测模型有多个输出节点，转换时需要明确指定，避免输出形状不匹配。重新转换模型时，加上正确的输出节点参数：

tensorflowjs_converter --input_format=tf_saved_model --output_node_names='detection_boxes,detection_scores,detection_classes,num_detections' ./saved_model ./tfjs_model

4. 明确指定模型执行的输出节点 #

调用模型时，明确指定要获取的输出节点，避免默认返回所有输出导致的形状错误：

const processImagePrediction = async (base64Image) => {
    const model = await getModel();
    const croppedData = await cropPicture(base64Image);
    setImage(croppedData.uri);
    const tensor = await convertBase64ToTensor(croppedData.base64);
    console.log("输入张量形状:", tensor.shape);
    
    try {
        // 指定输出节点
        const [boxes, scores, classes, numDetections] = await model.executeAsync(tensor, [
            'detection_boxes',
            'detection_scores',
            'detection_classes',
            'num_detections'
        ]);
        console.log("检测结果:", { boxes, scores, classes, numDetections });
        // 处理结果后释放张量
        boxes.dispose();
        scores.dispose();
        classes.dispose();
        numDetections.dispose();
    } catch (error) {
        console.log(error);
    } finally {
        tensor.dispose(); // 释放输入张量
    }
};

额外检查点 #

• 确认训练时pipeline.config中的num_classes和你实际的类别数一致，错误里的39可能对应类别数相关的维度，要保证输入输出的维度匹配。
• 检查模型导出是否正确，确保导出的是用于推理的SavedModel（不是训练中的模型）。

内容的提问来源于stack exchange，提问作者maxnuggets