如何将MoveNet模型转换为CoreML格式？现有转换方案失败该如何处理？

先将coremltools升级到最新稳定版（6.0及以上），你当前使用的5.0beta3属于测试版本，对TensorFlow 2.7的适配存在大量已知兼容性问题，新版本已修复字典输出解析、静态shape识别等相关缺陷。

方案1：直接转换TensorFlow版本模型 #

调整原有代码，将模型输出从字典结构转为张量结构，同时显式指定输入类型与形状，避免转换工具识别失败，可参考以下代码：

import tensorflow as tf
import tensorflow_hub as hub
import coremltools as ct
import numpy as np

# 加载MoveNet模型，可传入本地模型路径或TF Hub地址
model_path = "你的MoveNet模型存储路径"
model = hub.KerasLayer(
    model_path,
    signature='serving_default',
    signature_outputs_as_dict=True
)

# 构建可被coremltools识别的Keras模型
inputs = tf.keras.Input(shape=(256, 256, 3), dtype=tf.int32)
outputs = model(inputs)['output_0'] # 显式取出输出张量，丢弃字典结构
kmodel = tf.keras.Model(inputs=inputs, outputs=outputs)

# 执行转换
coreml_model = ct.convert(
    kmodel,
    source='tensorflow',
    inputs=[ct.TensorType(shape=(1, 256, 256, 3), dtype=np.int32)],
    convert_to='neuralnetwork' # 也可指定为mlprogram，适配更高版本CoreML
)

# 可选：设置输出命名方便后续调用
coreml_model.output_description['output_0'] = '17个姿态关键点坐标与置信度'
# 保存模型
coreml_model.save('movenet_thunder.mlmodel')

方案2：从TFLite模型转换（备选） #

如果你已经有预训练好的TFLite格式MoveNet模型，可直接通过coremltools转换，步骤更简单，兼容性更好：

import coremltools as ct

# 直接加载本地TFLite文件
coreml_model = ct.convert(
    '你的本地movenet.tflite存储路径',
    source='tensorflowlite',
    convert_to='neuralnetwork'
)

# 保存模型
coreml_model.save('movenet_thunder.mlmodel')

注意事项 #

• 转换完成后需要验证推理逻辑和原模型对齐，MoveNet要求输入为256x256分辨率、像素值范围0-255的RGB图像，输入dtype为int32，推理时不要做额外归一化处理
• 如果需要导出为iOS可直接调用的姿态识别模型，可在转换时添加metadata标注，方便后续在Swift/Obj-C代码中直接读取关键点坐标

内容的提问来源于stack exchange，提问作者Felipe Arrudi