TensorFlow2目标检测API转Frozen Graph报input_tensor缺失错求解决

报错核心为输入张量键名完全不匹配：

• 原参考转换代码适配MNIST手写数字模型，对应输入键名为flatten_input；当前使用的SSD目标检测模型，serving_default签名的必填输入键名与报错提示一致，为input_tensor
• 转换过程中手动填写input_1作为参数名，未匹配模型签名的实际参数定义，因此触发必填参数缺失的类型错误

按以下步骤调整转换代码即可解决问题：

1. 加载自身导出的目标检测SavedModel，打印签名输入参数，确认实际要求的键名（避免凭猜测填参数）：

   loaded = tf.saved_model.load("./exported-models/models/Bel_model/saved_model")
   print(loaded.signatures['serving_default'].inputs)
   # 目标检测API导出的image_tensor类型模型，固定输入键名为input_tensor
   

2. 替换原转换代码里错误的输入键名，匹配模型实际的输入要求，调整后的完整可运行代码如下：

   import tensorflow as tf
   from tensorflow.python.framework.convert_to_constants import convert_variables_to_constants_v2
   
   # 加载实际训练导出的目标检测模型路径
   loaded = tf.saved_model.load("./exported-models/models/Bel_model/saved_model")
   infer = loaded.signatures['serving_default']
   
   # 输入键名严格匹配签名要求的input_tensor，类型对应模型支持的uint8 RGB图像
   f = tf.function(infer).get_concrete_function(
       input_tensor=tf.TensorSpec(shape=[None, None, None, 3], dtype=tf.uint8)
   )
   f2 = convert_variables_to_constants_v2(f)
   graph_def = f2.graph.as_graph_def()
   
   # 导出冻结图文件
   with tf.io.gfile.GFile('./frozen_inference_graph.pb', 'wb') as f:
      f.write(graph_def.SerializeToString())
   

   关键注意点：不可直接套用MNIST示例的28x28单通道输入参数，目标检测API导出图已内置640x640预处理逻辑，原生支持任意尺寸的3通道uint8图像输入

除手动写代码转换外，还有几个兼容性更高的方案：

• 直接使用目标检测API导出流程内置的冻结图生成逻辑：执行模型导出脚本时，输出目录会自动生成适配的冻结图文件，不需要二次转换
• 走ONNX转换链路：通过标准tf2onnx工具将SavedModel转为ONNX格式，OpenCV 4.5以上版本可直接读取ONNX模型推理，不需要处理冻结图的算子兼容问题
• 跳过冻结图生成环节：OpenCV 4.8及以上版本已支持直接加载TF2格式的SavedModel，搭配训练时的pipeline.config文件即可完成推理，减少中间转换的误差

• 如果使用纯Keras接口实现目标检测模型训练，整个导出链路不需要依赖目标检测API的自定义脚本，模型本身是标准Keras结构，保存、转换的接口均为TensorFlow原生支持，不需要手动匹配自定义的serving签名，转换流程代码量更少、坑点更少
• 但纯Keras实现的目标检测模型，缺失目标检测API自带的推理优化（比如算子融合、TensorRT适配、内置后处理加速），同精度下的推理速度会低于API导出的专用模型

内容的提问来源于stack exchange，提问作者Bleach