必须修改pipeline.config文件，它是训练/推理的执行入口；关键修改包括num_classes、fine_tune_checkpoint、train/eval_input_reader.input_path、label_map_path；tfrecord需验证非空；禁用use_bfloat16；savedmodel须通过签名调用。
用TensorFlow Object Detection API训练自定义数据，必须改pipeline.config
不改这个文件，模型根本不会按你的类别数、路径或预处理逻辑运行。它不是可选配置，而是执行入口——所有训练/推理行为都从这里读取参数。
关键要改的几处：
-
num_classes：必须和你的label_map.pbtxt里实际类别数量一致，多1少1都会报InvalidArgumentError: labels and logits must have same first dimension -
fine_tune_checkpoint：填绝对路径，且检查该checkpoint是否含model.ckpt.index等完整文件，相对路径或只填目录名会静默失败 -
train_input_reader.input_path和eval_input_reader.input_path：必须指向你生成的*.record文件，不是.csv或.xml -
label_map_path：路径需包含label_map.pbtxt，内容格式严格为item { id: 1 name: 'cat' }，不能有空行或中文引号
generate_tfrecord.py跑完没报错，但训练时提示OutOfRangeError: RandomShuffleQueue
这通常不是队列本身问题，而是TFRecord文件损坏或为空。生成脚本里最容易漏掉的是图像路径未校验——如果os.path.exists(image_path)没做，就可能把空字节写进record。
实操建议：
- 生成后立刻用
tf.data.TFRecordDataset读一条样例：for raw_record in tf.data.TFRecordDataset('train.record').take(1):<br> example = tf.train.Example()<br> example.ParseFromString(raw_record.numpy())<br> print(example)确认image/encoded字段非空、image/object/class/text能decode成字符串 - 确保PIL或OpenCV读图成功后再编码：
if img is None: continue，否则cv2.imencode('.jpg', None)会返回空bytes - 类别名在
label_map.pbtxt中定义为'dog'，但CSV里写成dog（无引号）或Dog（大小写不一致），会导致class text匹配失败
训练时GPU显存爆满，batch_size: 1还OOM
Object Detection API默认启用use_bfloat16: true（尤其在TPU配置模板里），但消费级GPU不支持bfloat16，会回退到float32并加倍显存占用。
查清来源再动手：
- 打开你的
pipeline.config，搜use_bfloat16，设为false；再搜batch_size，确认是写在train_config块下，而非误放在eval_config里 - 模型主干影响巨大：用
ssd_mobilenet_v2时batch_size: 2可能稳，换成faster_rcnn_resnet50就得降到1，甚至加force_gpu_compatible: true避免内存碎片 - 别信GitHub上别人调好的config——不同TF版本对
prefetch_size和num_parallel_calls的默认行为不同，TF 2.9+建议显式设num_parallel_calls: 1防线程抢占
导出的saved_model用tf.saved_model.load()加载后无法直接__call__
因为Detection Model的SavedModel签名不是标准serving_default，而是带输入张量约束的detect或serving_default（取决于导出方式）。直接model(input_tensor)会报KeyError: 'inputs'。
正确调用路径只有两条：
- 走签名：先
print(list(model.signatures.keys()))，常见是'serving_default'，然后model.signatures['serving_default'](input_tensor=your_image_tensor) - 用封装函数：
detector = tf.saved_model.load('exported_model/saved_model')，再detector(tf.expand_dims(image, 0))——前提是导出时用了exporter_lib_v2.export_inference_graph且指定了--input_type image_tensor - 注意输入tensor shape：必须是
[1, height, width, 3]，uint8类型，不能是float32归一化后的值，否则输出bbox坐标全为0
真正卡住人的地方往往不在模型结构，而在config文件里一个冒号位置不对、record里一个字段名拼错、或者SavedModel签名被隐藏在嵌套dict深处——这些细节不打印日志根本看不到。
大量免费API接口：立即使用
涵盖生活服务API、金融科技API、企业工商API、等相关的API接口服务。免费API接口可安全、合规地连接上下游，为数据API应用能力赋能！
