如何从TensorFlow FasterRCNN的.ckpt文件提取网络系数为.npy？

嘿，我来帮你搞定这个问题！从TensorFlow的.ckpt快照里提取网络权重并转成.npy格式其实挺简单的，下面是具体的步骤和适配你场景的代码示例：

TensorFlow的.ckpt文件保存了所有变量的权重值，我们只需要重新构建和训练时完全一致的网络结构，加载ckpt文件后，把每个变量的数值提取出来，用NumPy的np.save()保存成.npy文件即可。

1. 编写提取脚本（或在现有代码中扩展） #

你可以新建一个单独的Python脚本（比如extract_weights.py），也可以在训练结束后直接在train.py里追加这段逻辑。下面是完整的代码示例：

import tensorflow as tf
import numpy as np
import os

# 关键：导入你训练Faster RCNN时用的模型构建模块
# 替换成你项目中实际的模型导入路径，比如从你的train.py所在目录导入
from your_project.models import build_faster_rcnn  # 示例路径，按需修改

def extract_ckpt_to_npy(ckpt_prefix, save_dir):
    """
    从CKPT文件提取权重并保存为.npy格式
    Args:
        ckpt_prefix: CKPT文件的前缀（比如"/output/model.ckpt-5000"）
        save_dir: 保存.npy文件的目标目录
    """
    # 创建TensorFlow会话
    with tf.Session() as sess:
        # 构建和训练时完全一致的网络结构
        # 这里要传入和训练时相同的参数，比如num_classes、anchor_scales等
        build_faster_rcnn(num_classes=21)  # 示例参数，按需修改
        
        # 初始化Saver（和训练时的Saver逻辑一致，或直接用默认Saver加载所有变量）
        saver = tf.train.Saver()
        
        # 加载CKPT权重
        saver.restore(sess, ckpt_prefix)
        print(f"✅ 成功加载CKPT文件：{ckpt_prefix}")
        
        # 获取所有可训练变量（如果你需要所有权重，包括BN层的参数等，也可以用tf.global_variables()）
        trainable_weights = tf.trainable_variables()
        
        # 创建保存目录（如果不存在的话）
        os.makedirs(save_dir, exist_ok=True)
        
        # 遍历每个变量，提取数值并保存
        for var in trainable_weights:
            # 处理变量名，替换掉文件名不允许的字符（比如/、:）
            safe_var_name = var.name.replace('/', '_').replace(':', '_')
            # 获取变量的数值
            var_value = sess.run(var)
            # 保存为.npy文件
            save_path = os.path.join(save_dir, f"{safe_var_name}.npy")
            np.save(save_path, var_value)
            print(f"💾 已保存权重：{var.name} -> {save_path}")

# 示例调用
if __name__ == "__main__":
    # 替换成你的CKPT文件前缀（不需要写完整的.data/.index/.meta后缀）
    target_ckpt = "/path/to/your/training_output/model.ckpt-5000"
    # 替换成你要保存.npy文件的目录
    output_dir = "/path/to/save/npy_weights"
    extract_ckpt_to_npy(target_ckpt, output_dir)

2. 关键注意事项 #

• 必须保证网络结构完全一致：这是最容易踩坑的点！如果加载时的网络结构、参数（比如类别数、锚点设置）和训练时不一样，TensorFlow会抛出变量不匹配的错误，或者加载错误的权重。一定要复用训练时的同一个模型构建代码。
• CKPT路径的写法：不需要写完整的文件名，只需要写前缀即可。比如你的CKPT文件是model.ckpt-5000.data-00000-of-00001、model.ckpt-5000.index、model.ckpt-5000.meta，那么路径只需要写model.ckpt-5000，TensorFlow会自动匹配对应的文件。
• 自定义权重筛选：如果你不需要所有权重，只想提取特定部分（比如主干网络ResNet的权重），可以给变量列表加过滤条件：

  # 只提取包含"resnet"的变量
  backbone_weights = [var for var in trainable_weights if "resnet" in var.name.lower()]
  

  然后遍历这个筛选后的列表即可。
• TensorFlow版本适配：如果你的Faster RCNN是基于TensorFlow 1.x的，上面的代码直接可用；如果是TF 2.x兼容模式，需要把tf.Session()替换成tf.compat.v1.Session()，并在开头加上tf.compat.v1.disable_eager_execution()。

内容的提问来源于stack exchange，提问作者MathMits