正确做法是用 hub.load() 加载 tf hub 检测模型后，封装为自定义函数并用 tf.keras.layers.lambda 包裹，显式指定 input_shape 和 dtype；输入图像需归一化至 [0,1] 且含 batch 维度；resize 时须同步映射 detection_boxes 坐标回原始尺寸；注意不同模型预处理差异（如 efficientdet 要 float32 [0,1]，ssd_mobilenet_v2 要 int32 [0,255]）；首次加载建议离线下载并设置 tfhub_cache_dir；推理时须使用 model.signatures["serving_default"] 并严格匹配输入 key 名（如 "inputs"），配合 @tf.function 提升性能。
加载 TF Hub 检测模型时 tf.keras.layers.Lambda 报 ValueError: Input 0 of layer ... is incompatible with the layer
这是因为 TF Hub 的检测模型（如 efficientdet/d0）默认输出是字典结构，而直接接在 Keras Sequential 或函数式模型里会丢掉 batch 维度或张量形状不匹配。TF Hub 的 detection model 不是纯 tf.keras.Model，它返回的是 {'detection_boxes': ..., 'detection_scores': ..., 'detection_classes': ...}，不能当普通层用。
- 正确做法是用
hub.load()加载模型后，封装成自定义函数再用tf.keras.layers.Lambda包一层，且必须显式指定input_shape和dtype - 别用
model = tf.keras.Sequential([hub.KerasLayer(...)])—— 这类 detection model 不支持直接塞进 Sequential - 输入图像必须归一化到
[0,1]且 shape 为(None, height, width, 3)；常见错误是传入 uint8 原图（255 范围）或没加 batch 维度
用 tf.image.resize 预处理图像时，detection_boxes 坐标没对齐
TF Hub 检测模型内部做了固定尺寸推理（比如 512×512），但原始图缩放后，模型输出的 detection_boxes 是相对于该输入尺寸的坐标。如果你只 resize 图像却没把 box 坐标按比例反算回原图，画框就会偏移或错位。
- 务必记录原始图尺寸：
orig_h, orig_w = tf.shape(image)[0], tf.shape(image)[1] - resize 后拿到模型输出的
boxes（shape(N, 4)，格式为[ymin, xmin, ymax, xmax]归一化值），需用tf.stack和tf.math.multiply映射回原始像素坐标 - 注意：不同模型预处理逻辑不同 ——
ssd_mobilenet_v2输入是int32 [0,255]，而efficientdet要求float32 [0,1]，混用会导致置信度全为 0
hub.load("https://tfhub.dev/tensorflow/efficientdet/d0/1") 加载失败或卡住
这不是代码问题，而是网络或缓存导致的典型阻塞。TF Hub 默认走 HTTPS 下载并本地缓存，首次加载大模型（~100MB+）容易超时或中断，且错误信息常被吞掉，只显示 HTTPError 503 或静默卡死。
- 先试离线加载：下载模型 tar.gz 到本地，用
hub.load("/path/to/efficientdet_d0_1")（解压后保留目录结构） - 设置环境变量提速：
os.environ["TFHUB_CACHE_DIR"] = "/tmp/tfhub"，避免写入用户主目录触发权限问题 - 某些企业内网禁 HTTPS 重定向，可改用 HTTP 版本链接（仅限测试）：
https://storage.googleapis.com/tfhub-modules/tensorflow/efficientdet/d0/1.tar.gz，手动下载解压
推理速度慢、GPU 利用率低，model.signatures["serving_default"] 不生效
直接调用 model(input_tensor) 会触发 eager 执行，无法利用图优化和 GPU 流水线；而 detection model 的 serving signature 是专为部署设计的，但必须严格匹配输入 key 名（比如 "inputs"）和 tensor shape。
- 查清 signature 输入名：
list(model.signatures.keys())和model.signatures["serving_default"].structured_input_signature - 构造 dict 输入：
{"inputs": tf.cast(resized_image, tf.float32)}，不是{"image": ...}—— 键名错就退化成 eager - 加
@tf.function包裹推理函数，否则每次调用都重新 trace 图，GPU 显存不复用 - CPU 推理时，batch size=1 反而比 batch=4 慢 —— detection model 内部有大量条件分支，小 batch 无法摊平计算开销
真正难的不是调通模型，是搞清每个模型对输入范围、key 名、坐标系、缓存路径的隐式约定——这些从文档里很难一眼揪出来，得靠报错信息反推。
