导入Keras训练的TensorFlow模型报Functional无predict_segmentation属性错

你的问题既不属于保存环节的bug，也不属于加载环节的bug，核心原因是：
vgg_unet是keras-segmentation库二次封装的模型类实例，它自带的train、predict_segmentation都是库额外封装的上层方法，不属于Keras原生模型的内置属性。你用原生tf.keras.models.save_model保存模型时，只会存储模型的计算图结构和权重参数，不会保存第三方库附加的自定义方法，因此用tf.keras.models.load_model加载出来的只是Keras原生的Functional基础模型对象，自然没有predict_segmentation方法。

注：所有方案都需要保证初始化模型时的类别数、输入尺寸等参数和训练时完全一致，否则会出现权重维度不匹配的报错。

下面是两种常用的修复方案：

方案1：使用keras-segmentation自带的检查点加载 #

你训练时已经配置了checkpoints_path参数，训练过程中库已经自动生成了带自定义方法的检查点文件，直接按如下方式加载即可：

from keras_segmentation.models.unet import vgg_unet

# 初始化和训练时结构完全一致的模型
model = vgg_unet(n_classes=50, input_height=512, input_width=608)
# 加载训练好的检查点权重，epoch为5的话路径对应为/tmp/vgg_unet_1.00005，可自行核对文件后缀
model.load_weights("/tmp/vgg_unet_1.00005")

# 此时就可以正常调用predict_segmentation方法
out = model.predict_segmentation(
    inp=image_to_test,
    out_fname="/tmp/out.png"
)

方案2：复用已保存的hdf5权重文件 #

如果你要使用之前导出的my_model.hdf5文件，也可以将权重赋值给新初始化的keras-segmentation模型实例：

from keras_segmentation.models.unet import vgg_unet

# 初始化对应结构的封装模型
model = vgg_unet(n_classes=50, input_height=512, input_width=608)
# 加载你之前保存的hdf5权重
model.load_weights("my_model.hdf5")

# 即可正常调用自定义方法
out = model.predict_segmentation(
    inp=image_to_test,
    out_fname="/tmp/out.png"
)

内容的提问来源于stack exchange，提问作者Tonino