如何通过代码调用TensorFlow Object Detection API的model_main_tf2且避免程序退出

解决方案1：直接调用main函数，绕过tf.app.run() #

tf.compat.v1.app.run() 内部执行逻辑是先解析命令行参数，再调用传入的main函数，最后执行sys.exit()退出进程，而model_main_tf2.main()本身不会主动退出进程，直接调用即可：

import sys
from object_detection import model_main_tf2

# 原有参数配置逻辑保留
model_main_tf2.FLAGS.pipeline_config_path = pipeline_config_path
model_main_tf2.FLAGS.model_dir = model_path
# 可按需配置其他训练参数，例如训练步数
# model_main_tf2.FLAGS.num_train_steps = 10000

# 直接调用main函数，传入argv参数即可，无需通过app.run封装
model_main_tf2.main(sys.argv)

该方案改动最小，原有训练逻辑完全保留，训练结束后程序会继续执行后续代码。

解决方案2：直接调用核心训练接口，绕开model_main_tf2 #

如果需要更灵活的训练逻辑控制，可以直接调用TFOD API内部的训练核心接口model_lib_v2.train_loop，无需依赖model_main_tf2的FLAGS和入口逻辑：

from object_detection.utils import config_util
from object_detection import model_lib_v2

# 可选：先加载配置自定义修改
# configs = config_util.get_configs_from_pipeline_file(pipeline_config_path)
# 按需修改配置，例如修改训练步数、优化器参数等
# configs['train_config'].num_steps = 20000
# config_util.save_pipeline_config(configs, model_path)

# 直接调用训练核心逻辑
model_lib_v2.train_loop(
    pipeline_config_path=pipeline_config_path,
    model_dir=model_path,
    # 可按需传入自定义参数，覆盖pipeline.config中的配置
    # train_steps=20000,
    # eval_training_data=False,
    use_tpu=False
)

该方案灵活性更高，支持自定义训练过程中的各类回调、多阶段训练、自定义评估逻辑等需求，同样不会触发进程退出。

内容的提问来源于stack exchange，提问作者chko