TensorFlow2.9下.h5转ONNX实现OpenCV实时目标检测

核心矛盾是TensorFlow版本与tf2onnx转换依赖的版本匹配问题，无需降级训练环境的TensorFlow，以下方案按优先级排序，可直接复现：

方案1：独立虚拟环境转换（最稳定，零环境破坏风险） #

不要改动现有Python3.8 + TensorFlow2.9的训练环境，单独新建隔离环境做格式转换，完全规避版本冲突：

• 新建并激活专用转换环境

conda create -n onnx_convert python=3.8 -y
conda activate onnx_convert

• 安装严格匹配的依赖版本，和训练环境保持TensorFlow版本一致，保证.h5模型可正常加载

pip install tensorflow==2.9.0
pip install tf2onnx==1.12.0 onnx==1.12.0 opencv-python==4.8.0.74

*之前出现依赖导入失败，本质是安装的tf2onnx/onnx版本和TensorFlow2.9不兼容：过新的tf2onnx要求TensorFlow2.10以上，过旧的版本仅支持TensorFlow2.1~2.3，都会出现导入报错或加载模型失败的问题。

• 验证依赖导入正常后，执行模型转换，选择OpenCV DNN模块兼容性最好的opset 12版本

python -m tf2onnx.convert --keras your_trained_model.h5 --output detection_model.onnx --opset 12

• 转换完成后直接用OpenCV加载验证，无报错即可用于后续实时检测

import cv2
net = cv2.dnn.readNetFromONNX("detection_model.onnx")
# 测试推理
test_img = cv2.imread("test_sample.jpg")
blob = cv2.dnn.blobFromImage(test_img, 1/255.0, (模型输入宽, 模型输入高), swapRB=True, crop=False)
net.setInput(blob)
detect_output = net.forward()

方案2：修复当前训练环境依赖（无需新建环境） #

如果不想新建虚拟环境，先彻底清理当前环境中错装的转换依赖，再安装匹配版本即可：

• 全量卸载冲突包，避免pip/conda混装导致的残留问题

pip uninstall -y tf2onnx onnx onnxruntime keras2onnx
conda remove -y tf2onnx onnx

• 直接用pip安装兼容版本，不要用conda源安装（conda源的tf2onnx版本普遍滞后，依赖匹配逻辑容易出错）

pip install tf2onnx==1.12.0 onnx==1.12.0

• 安装完成后重启Python解释器，即可正常导入依赖完成转换，转换命令和验证逻辑同方案1。

备选方案：跳过ONNX转换，直接加载TF模型推理 #

如果转换过程持续出现兼容问题，可直接将.h5模型导出为SavedModel格式，OpenCV 4.5.0以上版本原生支持加载该格式做推理，无需转ONNX：

# 在TF2.9训练环境中导出SavedModel
import tensorflow as tf
model = tf.keras.models.load_model("your_trained_model.h5")
tf.saved_model.save(model, "./tf_saved_model")

# OpenCV直接加载推理
import cv2
net = cv2.dnn.readNetFromTensorflow("./tf_saved_model/saved_model.pb")

注意事项：安装依赖时不要在同一环境下混用pip和conda安装同一个包，否则极易出现动态链接库版本不匹配、导入时找不到符号的问题；转换生成的ONNX模型不要选择高于12的opset版本，否则OpenCV DNN模块可能无法解析算子。

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