TensorFlow2.3.0类ResNet模型转OpenCV推理报错排查

让我们一步步拆解你的问题，找到根源并解决它：

一、你操作中的核心问题 #

1. 输入层名称错误：你在setInput时用了'x'作为输入名称，但从你的模型结构来看，输入层的实际名称是input_1。错误的输入名称会导致OpenCV无法正确绑定输入张量，进而引发维度解析错误。
2. 输入维度传递不规范：虽然你尝试了(1,50,50)和(1,50,50,1)两种格式，但OpenCV的DNN模块对TensorFlow导出的模型，需要严格匹配模型定义的输入维度格式（你的模型是NHWC：(batch, height, width, channel)），且必须明确传递4维张量。

二、错误原因的深层解析 #

为什么报错里输入形状显示为input[0] = [ 1 50 ]？ #

这是因为OpenCV的DNN模块在无法正确匹配输入张量时，会错误解析输入维度：当你传入(1,50,50)的3维张量，又用了错误的输入名称'x'，OpenCV无法对应到模型定义的4维输入层，就会把输入错误识别为2维张量(1,50)，剩下的一个维度被忽略，这直接导致后续卷积层无法处理不匹配的输入通道数，触发断言失败。

卷积层断言错误的根源 #

报错里的ngroups > 0 && inpCn % ngroups == 0 && outCn % ngroups == 0，本质是输入通道数和卷积核的通道数不匹配：你的第一个卷积层conv2d的卷积核是[20,1,3,3]（对应20个3x3的1通道核），但错误解析后的输入通道数被识别为50，和卷积核的输入通道数1不匹配，触发了断言检查。

三、具体解决步骤 #

按照以下顺序操作，应该能解决问题：

1. 确认输入层的正确名称
   打开你的optmized_graph.pbtxt文件，找到输入层的名称（应该是input_1），在设置输入时使用这个正确名称，或者如果模型只有一个输入，可以省略名称。

2. 构造正确的4维输入张量
   严格按照模型定义的(None,50,50,1)格式构造输入：

   # 生成符合要求的输入：batch=1, 50x50, 单通道
   image = np.random.rand(1, 50, 50, 1).astype("float32")
   

3. 正确设置模型输入
   使用正确的输入名称（如果需要），并确保OpenCV正确识别输入维度：

   # 方法1：使用正确的输入层名称
   net.setInput(image, 'input_1')
   # 方法2：省略名称（单输入模型）
   # net.setInput(image)
   

4. 可选：显式设置输入形状（如果仍有问题）
   如果OpenCV还是无法正确解析输入维度，可以提前显式设置输入形状：

   net.setInputShape((1, 50, 50, 1))  # NHWC格式，匹配你的模型定义
   

5. 验证导出模型的正确性
   如果你按照上述步骤仍有问题，需要确认冻结优化后的模型是否正确：

   import tensorflow as tf
   tf.compat.v1.disable_eager_execution()
   with tf.compat.v1.Session() as sess:
       # 加载pb模型
       with tf.io.gfile.GFile("optmized_graph.pb", 'rb') as f:
           graph_def = tf.compat.v1.GraphDef()
           graph_def.ParseFromString(f.read())
           sess.graph.as_default()
           tf.import_graph_def(graph_def, name='')
       # 查看输入张量的信息
       input_tensor = sess.graph.get_tensor_by_name('input_1:0')
       print("输入张量名称:", input_tensor.name)
       print("输入张量形状:", input_tensor.shape)
   

   确保输出的形状是(?, 50, 50, 1)，如果不是，说明模型冻结优化过程中出现了问题，需要重新导出。

额外注意事项 #

• 你的TensorFlow版本是2.3.0，而你用了TensorFlow1.5的优化工具，版本差异可能导致模型导出时出现兼容性问题，建议使用TensorFlow 2.x自带的冻结导出方法（比如tf.saved_model.save后转pb，或者使用tf.compat.v1.graph_util.convert_variables_to_constants），避免跨版本工具的兼容性问题。
• OpenCV 4.4.0对TensorFlow模型的支持已经比较完善，但确保你的pbtxt文件正确生成，包含了所有层的形状和参数信息。

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