TensorFlow技术问题：无配置生成冻结图及多冻结图合并

我来一步步帮你解决这两个TensorFlow的问题，都是目标检测领域里常见的实操坑，我之前也踩过类似的，给你分享下可行的解决方案：

你之前遇到的转.pbtxt报错，根源是冻结图时包含了训练阶段的节点（比如Assign），这类节点依赖可修改的变量引用（float_ref），但冻结图已经把变量转成了常量，自然会出现类型不兼容的问题。下面是正确的操作流程：

步骤1：生成正确的冻结推理图 #

不要把所有节点都当作输出，必须指定推理专用的输出节点（目标检测模型通常是detection_boxes、detection_scores、detection_classes、num_detections这类）。用以下代码生成：

import tensorflow as tf

# 加载.meta文件恢复计算图
saver = tf.train.import_meta_graph('your_model.meta')
with tf.Session() as sess:
    # 恢复模型权重（不用加.data后缀，TensorFlow会自动匹配）
    saver.restore(sess, './your_model')
    
    # 获取当前图结构，并过滤掉训练相关节点
    graph_def = tf.get_default_graph().as_graph_def()
    frozen_graph_def = tf.graph_util.convert_variables_to_constants(
        sess,
        graph_def,
        # 替换成你模型实际的输出节点名称，可通过打印节点列表排查
        output_node_names=['detection_boxes', 'detection_scores', 'detection_classes', 'num_detections']
    )
    
    # 保存冻结图
    with open('frozen_model.pb', 'wb') as f:
        f.write(frozen_graph_def.SerializeToString())

如果不知道自己模型的输出节点名称，可以在加载图后用这段代码打印所有节点，筛选推理相关的：

print([n.name for n in graph_def.node])

目标检测模型的输出节点一般会带有模型前缀（比如faster_rcnn_inception_v2_coco/detection_boxes），注意完整名称。

步骤2：将冻结图转换为.pbtxt #

用TensorFlow内置的write_graph方法直接转换，避免手动处理节点：

tf.io.write_graph(frozen_graph_def, './', 'frozen_model.pbtxt', as_text=True)

或者用命令行工具（TF1.x适用）：

python tensorflow/python/tools/import_pb_to_tensorboard.py --model_dir=frozen_model.pb --log_dir=./log

转换后的.pbtxt就能正常加载使用了。

合并多个预训练模型完全可行，核心思路是把不同模型的图结构导入到同一个计算图中，按需实现并行推理或结果融合。下面分两种常见场景说明：

场景1：并行推理，融合检测结果 #

如果想让两个模型同时处理同一张图，再合并检测结果，用以下方法：

def load_frozen_graph(pb_path):
    """加载单个冻结图"""
    with tf.gfile.GFile(pb_path, 'rb') as f:
        graph_def = tf.GraphDef()
        graph_def.ParseFromString(f.read())
    return graph_def

# 加载两个冻结图
model1_def = load_frozen_graph('faster_rcnn.pb')
model2_def = load_frozen_graph('ssd_mobilenet.pb')

# 合并到同一个计算图，给每个模型加独立前缀避免节点名冲突
with tf.Graph().as_default() as combined_graph:
    tf.import_graph_def(model1_def, name='model1')
    tf.import_graph_def(model2_def, name='model2')
    
    # 获取输入输出张量（注意前缀对应）
    input_tensor = combined_graph.get_tensor_by_name('model1/image_tensor:0')
    # 模型1的输出
    boxes1 = combined_graph.get_tensor_by_name('model1/detection_boxes:0')
    scores1 = combined_graph.get_tensor_by_name('model1/detection_scores:0')
    # 模型2的输出
    boxes2 = combined_graph.get_tensor_by_name('model2/detection_boxes:0')
    scores2 = combined_graph.get_tensor_by_name('model2/detection_scores:0')
    
    # 推理阶段同时运行两个模型
    with tf.Session(graph=combined_graph) as sess:
        box1_res, score1_res, box2_res, score2_res = sess.run(
            [boxes1, scores1, boxes2, scores2],
            feed_dict={input_tensor: your_input_image}
        )
        # 这里可以融合结果：比如对所有检测框一起做NMS，或者按分数加权选择

场景2：串联推理（一个模型输出作为另一个输入） #

如果想让第一个模型的检测结果作为第二个模型的输入（比如先检测大目标，再用另一个模型细化），需要确保两个模型的张量形状、类型匹配。比如把第一个模型的detection_boxes裁剪图像后，输入到第二个模型：

# 在合并图中添加裁剪逻辑
cropped_image = tf.image.crop_and_resize(
    input_tensor,
    boxes=boxes1,
    box_indices=tf.zeros(tf.shape(boxes1)[0], dtype=tf.int32),
    crop_size=[300, 300]  # 匹配第二个模型的输入尺寸
)
# 把裁剪后的图像喂给第二个模型的输入
model2_input = combined_graph.get_tensor_by_name('model2/image_tensor:0')
# 运行时喂入cropped_image即可

注意事项 #

• 确保两个模型的输入预处理逻辑一致（比如图像归一化方式、是否转RGB、输入尺寸）
• 融合结果时，推荐用非极大值抑制（NMS）合并来自不同模型的检测框，避免重复检测
• 如果使用TensorFlow 2.x，建议把冻结图转成SavedModel格式，会更方便进行模型合并和推理

内容的提问来源于stack exchange，提问作者Igors