看起来你的命令差了几个关键的量化配置项，这也是很多人用TOCO做INT8量化时容易卡壳的地方。我帮你梳理下完整的参数设置和关键点：

完整的TOCO转换命令示例 #

先给你一个可以直接参考的完整命令，你需要替换成自己的节点名称、输入形状和预处理参数：

python3 ~/.local/bin/toco \
  --input_file=<PATH>/frozen_graph.pb \
  --output_file=<PATH>/tflite_graph.tflite \
  --input_format=TENSORFLOW_GRAPHDEF \
  --output_format=TFLITE \
  --inference_type=QUANTIZED_UINT8 \
  --input_arrays=your_input_node_name \
  --output_arrays=your_output_node_name \
  --input_shapes=1,224,224,3 \  # 替换成你的模型实际输入形状
  --mean_values=127.5 \
  --std_dev_values=127.5 \
  --allow_custom_ops  # 模型有自定义算子时加这行

关键参数解释（你可能缺失的部分） #

• --input_arrays & --output_arrays：这两个是必须的！TOCO需要明确知道你的模型输入输出节点的名称，不然无法确定转换的范围。你可以用这些方式获取节点名：

  • 用Netron可视化工具打开你的frozen_graph.pb，直接查看输入输出节点的名称；
  • 用TensorFlow的saved_model_cli工具（如果是SavedModel格式的话）：saved_model_cli show --dir <你的模型目录> --all；
  • 训练模型时，记录下你定义的输入占位符和输出张量的名称。

• --input_shapes：INT8量化需要固定的输入形状（嵌入式设备一般都是固定输入尺寸），格式是batch_size,height,width,channels，比如单张224x224的RGB图就是1,224,224,3。

• --mean_values & --std_dev_values：这两个是把浮点输入映射到uint8量化范围（0-255）的核心参数，映射逻辑大概是：

  quantized_input = (float_input - mean_values) / std_dev_values + 128
  

  要和你训练模型时的数据预处理逻辑匹配：

  • 如果训练时输入是减127.5再除以127.5（把像素值从0-255转成-1到1），就用mean_values=127.5和std_dev_values=127.5；
  • 如果训练时输入是直接除以255（转成0-1），就用mean_values=0.5和std_dev_values=0.5；
  • 如果有自定义的预处理，就根据实际的均值和标准差来设置。

• --allow_custom_ops：如果你的模型用到了TensorFlow内置算子之外的自定义操作，必须加上这个参数，否则TOCO会转换失败。但注意：嵌入式部署时你需要自己实现这些自定义算子的INT8量化版本。

额外注意事项 #

• 如果你的模型是量化感知训练（Quantization-Aware Training）得到的，命令会略有不同，但你用的是冻结图，应该属于训练后量化（Post-Training Quantization），上面的命令就适用；
• 转换完成后，可以用TensorFlow Lite的Python API加载测试，确认输出结果和原模型一致；
• 如果遇到算子不支持量化的错误，需要检查模型是否有TOCO不支持的算子，或者考虑修改模型结构，或者使用TF Select（但嵌入式部署会更复杂）。

内容的提问来源于stack exchange，提问作者Adrian