Keras 2.1.6升级后出现super(type, obj)类型错误求助

阿华AIGC实验室

2026-5-27

解决Keras 2.1.6升级后Tiny YOLOv2构建的TypeError问题

嘿，我之前也踩过Keras版本升级的类似坑，结合你描述的情况，这个错误大概率是Keras 2.1.6对层初始化逻辑的严格校验导致的，下面给你拆解可能的原因和对应的解决办法：

问题定位

你遇到的错误：

kernel_constraint=None, TypeError: super(type, obj): obj must be an instance or subtype of type

本质是类继承时的实例类型不匹配，通常出现在自定义层或者内置层的参数传递上——毕竟Keras 2.1.6对比2.1.5在层的初始化逻辑上做了不少细节调整。

具体解决方案

1. 检查自定义层的`super()`调用

如果你为Tiny YOLOv2写了自定义输出层（比如处理锚框和检测结果的层），旧版本的super()写法可能在新版本中失效。比如之前你可能这么写：

class YOLOOutputLayer(keras.layers.Layer):
    def __init__(self, anchors, num_classes, **kwargs):
        super(YOLOOutputLayer, self).__init__(name='yolo_output')
        # 其他初始化代码

这种写法在2.1.6中可能因为没有传递全部kwargs或者继承链问题触发类型错误，改成下面的写法试试：

class YOLOOutputLayer(keras.layers.Layer):
    def __init__(self, anchors, num_classes, **kwargs):
        # 传递所有关键字参数给父类
        super(YOLOOutputLayer, self).__init__(**kwargs)
        self.anchors = anchors
        self.num_classes = num_classes
        # 其他初始化逻辑

如果是Python 3环境，更推荐用简化版super().__init__(**kwargs)，避免手动指定类名带来的类型匹配问题。

2. 规范内置层的参数传递

Keras 2.1.6对Conv2D等层的参数校验更严格，尤其是kernel_constraint这类参数。你需要确认：

所有Conv2D的kernel_constraint要么是None，要么是Keras约束类的实例（比如keras.constraints.MaxNorm(3)），绝对不能传字符串或者其他无效类型。
尽量用关键字参数定义层，避免位置参数顺序混乱。比如把：
```
Conv2D(64, 3, padding='same', kernel_constraint=None)
```
改成：
```
Conv2D(filters=64, kernel_size=3, padding='same', kernel_constraint=None)
```
虽然多写几个字，但能避免新版本中参数顺序调整导致的问题。

3. 统一Keras导入方式

你代码里同时导入了tensorflow和原生keras，很容易出现命名空间冲突。比如有些层来自keras.layers，有些来自tensorflow.keras.layers，这两个库的类虽然功能类似，但属于不同的类型，继承时就会触发super()的类型错误。

解决办法是二选一：
要么全用原生Keras：

import keras
from keras.preprocessing.image import ImageDataGenerator
from keras.models import Sequential
from keras.layers import Dense, Conv2D, ...

要么全用TensorFlow集成的Keras：

import tensorflow as tf
from tensorflow.keras.preprocessing.image import ImageDataGenerator
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense, Conv2D, ...

绝对不要混合导入，不然类型不匹配的坑会一直跟着你。