Tensorflow SavedModel转Keras .h5失败：_UserObject无_is_graph_network属性

报错原因 #

你遇到的AttributeError: '_UserObject' object has no attribute '_is_graph_network'，本质是因为加载的TridentNet SavedModel是TensorFlow原生格式模型（以_UserObject类型存在），而非Keras原生的Model/Sequential对象。Keras的summary()、save()等方法仅支持自身定义的模型类，直接转换就会触发该错误。

解决方案：将TF SavedModel包装为Keras兼容模型 #

通过把加载后的TF模型包装成Keras模型，即可兼容Keras的基础函数，步骤如下：

1. 加载SavedModel #

import tensorflow as tf

# 替换为你的SavedModel目录路径
saved_model_dir = "./path/to/your/saved_model"
loaded_tf_model = tf.saved_model.load(saved_model_dir)

2. 查看模型的输入输出签名 #

目标检测模型有固定的推理签名，先确认输入输出的张量名称和形状：

# 获取默认推理签名
infer_signature = loaded_tf_model.signatures["serving_default"]

# 打印输入输出信息
print("输入张量列表:", list(infer_signature.structured_input_signature[1].keys()))
print("输出张量列表:", list(infer_signature.structured_outputs.keys()))

执行后会得到类似input_image、detection_boxes、detection_classes这类名称，后续步骤需要用到。

3. 包装为Keras模型 #

根据输入输出信息，创建Keras模型包装TF推理函数：

from tensorflow.keras.layers import Input, Lambda
from tensorflow.keras.models import Model

# 定义输入层：替换为实际的输入张量名和形状（比如(None, None, 3)对应任意尺寸的RGB图像）
input_tensor = Input(shape=(None, None, 3), name="input_image")  # 替换为你的输入张量名

# 定义包装函数，调用TF模型的推理签名
def wrap_tf_model(inputs):
    # 调用推理签名，返回需要的输出（可根据需求返回多个输出）
    outputs = infer_signature(inputs)
    # 这里以返回检测框、类别、分数为例，替换为你的输出张量名
    return [outputs["detection_boxes"], outputs["detection_classes"], outputs["detection_scores"]]

# 用Lambda层包装TF模型
output_layers = Lambda(wrap_tf_model)(input_tensor)

# 创建Keras模型
keras_model = Model(inputs=input_tensor, outputs=output_layers)

4. 使用Keras函数并保存为.h5格式 #

现在可以正常调用Keras的方法了：

# 查看模型结构（注意：仅能看到输入和Lambda层，内部TF结构不会展开）
keras_model.summary()

# 测试预测（输入需符合模型要求的格式，比如归一化后的图像数组）
# test_image = ... # 准备你的输入图像
# predictions = keras_model.predict(test_image)

# 保存为Keras .h5格式
keras_model.save("tridentnet_keras.h5")

特殊情况处理 #

如果你的TridentNet原本是用Keras构建后保存为SavedModel的，可尝试直接用Keras加载（需确保自定义层已定义）：

from tensorflow.keras.models import load_model

# 若有自定义层，需先导入或定义，再传入custom_objects参数
# keras_model = load_model(saved_model_dir, custom_objects={"TridentLayer": TridentLayer})
keras_model = load_model(saved_model_dir)
keras_model.save("tridentnet.h5")

内容的提问来源于stack exchange，提问作者scuda