如何加载并使用旧版TensorFlow导出的模型？

方法1：使用SavedModel的签名函数直接推理 #

由于模型是通过tf.saved_model.save导出的，缺少Keras元数据，加载后需调用其签名函数完成预测：

1. 加载模型：

import tensorflow as tf
loaded_model = tf.saved_model.load("model/saved_model")

2. 获取默认服务签名（若不确定可用print(list(loaded_model.signatures.keys()))查看所有签名）：

inference_fn = loaded_model.signatures["serving_default"]

3. 准备符合模型输入要求的张量数据（需匹配原模型的预处理逻辑，比如图像缩放、归一化等），执行推理：

# 示例：假设输入为(1, 224, 224, 3)的预处理后图像张量
input_tensor = tf.random.normal((1, 224, 224, 3))
output = inference_fn(input_tensor)
# 根据模型输出键名提取结果，如output["predictions"].numpy()
print(output)

方法2：重构模型结构并加载权重（知晓原模型结构时） #

如果清楚原模型的网络架构（比如你提到的MobileNetV2），可以重新构建模型，再通过checkpoint文件加载权重：

1. 定义与原模型完全一致的网络结构：

from tensorflow.keras.applications import MobileNetV2
# 需匹配原模型的输入尺寸、分类类别数等参数
model = MobileNetV2(input_shape=(224,224,3), weights=None, classes=你的类别数量)

2. 通过checkpoint加载权重：

checkpoint = tf.train.Checkpoint(model=model)
# checkpoint路径为模型文件夹下checkpoint文件指向的具体权重文件，如"model/ckpt-50000"
checkpoint.restore("model/ckpt-50000").assert_consumed()

3. 此时模型具备predict方法，可直接调用：

preds = model.predict(input_data)

方法3：若为TensorFlow Object Detection模型（含pipeline.config） #

从文件结构（存在pipeline.config）判断，这大概率是TensorFlow Object Detection API训练的模型，需用对应API加载和推理：

1. 加载模型：

import tensorflow as tf
from object_detection.utils import label_map_util
from object_detection.utils import visualization_utils as viz_utils

detect_fn = tf.saved_model.load("model/saved_model")

2. 加载标签映射文件（若存在）并预处理输入图像：

# 加载标签映射文件
category_index = label_map_util.create_category_index_from_labelmap("path/to/label_map.pbtxt", use_display_name=True)
# 读取并预处理测试图像
image_np = tf.io.read_file("test_image.jpg")
image_np = tf.image.decode_jpeg(image_np, channels=3)
image_np = tf.expand_dims(image_np, 0)

3. 执行检测并处理结果：

detections = detect_fn(image_np)
# 可视化检测结果
viz_utils.visualize_boxes_and_labels_on_image_array(
    image_np[0].numpy(),
    detections['detection_boxes'][0].numpy(),
    detections['detection_classes'][0].numpy().astype(int),
    detections['detection_scores'][0].numpy(),
    category_index,
    use_normalized_coordinates=True,
    max_boxes_to_draw=200,
    min_score_thresh=.30,
    agnostic_mode=False)

内容的提问来源于stack exchange，提问作者jl303