Fizyr版Keras RetinaNet h5转tflite后输入输出shape异常问题

问题原因 #

你看到的静态shape显示为[1,1,1,3]这类值属于TFLite转换动态shape模型时的常规表现，不是真的shape异常：

• TFLite转换器处理无固定输入尺寸的动态模型时，会默认给未指定的维度填充默认占位值1作为临时静态shape，你看到的shape字段就是这个临时值，不代表模型实际支持的输入尺寸。
• 你返回的shape_signature字段完全符合你训练阶段的动态shape定义：输入[-1,-1,-1,3]对应(批次, 高, 宽, 通道)的动态维度，输出[-1,-1,4]、[-1,-1,1]也和训练时的回归、分类输出结构匹配，说明模型的动态shape签名没有丢失。

转换流程是否错误 #

你当前的转换流程没有逻辑错误，但没有显式指定动态shape配置，容易在边缘设备推理时触发维度校验错误，属于不完整的转换流程。

当前模型能否正常推理 #

如果是在PC端Python环境用TensorFlow Lite Interpreter推理，只要你在调用interpreter.resize_tensor_input()方法手动调整输入维度为实际推理尺寸（比如[1,640,640,3]），再调用interpreter.allocate_tensors()重新分配内存，就可以正常推理。
如果是要部署到移动端、嵌入式设备，部分推理框架会直接读取静态shape字段做校验，就会识别为shape不匹配无法加载，需要补充动态shape配置重新转换。

优化转换方案参考 #

要生成更适配部署的TFLite模型，修改转换代码如下：

import tensorflow as tf
from keras_retinanet.models import load_model

loaded_model = load_model("snapshots/resnet50_csv_10.h5", backbone_name='resnet50')
converter = tf.lite.TFLiteConverter.from_keras_model(loaded_model)

# 显式指定动态维度范围，可根据你的实际推理尺寸调整上下限
converter.optimizations = [tf.lite.Optimize.DEFAULT]
converter.target_spec.supported_ops = [tf.lite.OpsSet.TFLITE_BUILTINS, tf.lite.OpsSet.SELECT_TF_OPS]
# 定义输入的动态shape签名
input_shape = tf.TensorSpec(shape=[None, None, None, 3], dtype=tf.float32, name="input_1")
converter.experimental_new_converter = True
converter.experimental_enable_dynamic_batch_size = True
converter._experimental_tflite_input_specs = [input_shape]

tflite_model = converter.convert()
with tf.io.gfile.GFile('final_dynamic.tflite', 'wb') as f:
  f.write(tflite_model)

转换后再调用get_input_details()查看，shape_signature会保留正确的动态维度，部分版本的TFLite也会自动修正默认静态占位值。

内容的提问来源于stack exchange，提问作者Federico Frari