使用InceptionV3训练PB文件运行目标检测教程时遇形状不匹配报错

嘿，这个问题我之前也碰到过，原因很直接：你传入模型的图像尺寸和InceptionV3要求的输入尺寸对不上！

问题根源 #

InceptionV3在默认配置下（不管是训练还是推理），都要求输入是299×299像素的RGB图像，对应张量形状就是(1, 299, 299, 3)（这里的1是batch size）。但你现在传入的图像是26×38的，形状变成了(1,26,38,3)，模型里的ResizeBilinear层自然就报错了。

具体解决步骤 #

1. 推理前强制调整图像尺寸

在把图像喂给run_inference_for_single_image函数之前，先统一把图像resize到299×299。这里给你两种常用的实现方式：

用OpenCV的话：

import cv2
# 假设image_np是你的输入图像numpy数组
image_np = cv2.resize(image_np, (299, 299))
# 注意如果是用OpenCV读的图，默认是BGR通道，要转成RGB
image_np = cv2.cvtColor(image_np, cv2.COLOR_BGR2RGB)

用PIL库的话：

from PIL import Image
import numpy as np
# 把numpy数组转成PIL图像，resize后再转回数组
image_pil = Image.fromarray(image_np)
image_np = np.array(image_pil.resize((299, 299)))

2. 确认模型的实际输入要求

如果你在训练时修改过InceptionV3的输入尺寸（比如为了适配你的数据集改了大小），那推理时也要对应调整。可以用这段代码查看模型期望的输入形状：

with detection_graph.as_default():
    with tf.Session(graph=detection_graph) as sess:
        input_tensor = detection_graph.get_tensor_by_name('image_tensor:0')
        print("模型期望的输入形状：", input_tensor.shape)

确保你的图像resize后的形状和输出的结果完全一致。

3. 对齐训练与推理的预处理流程

还要检查你推理时的图像预处理是不是和训练时完全一样：比如有没有做归一化（比如把像素值缩放到0-1或者-1到1之间）、颜色通道顺序是不是RGB（训练时用的是RGB的话，推理时不能用BGR），这些细节也可能引发类似的形状或数据不匹配问题。

小提示 #

如果是批量处理图像，建议写一个统一的预处理函数，把resize、通道转换、归一化这些步骤都封装进去，这样就能避免每次都手动处理，减少出错概率。

内容的提问来源于stack exchange，提问作者송준석