90%以上情况降级到protobuf==3.20.3即可解决，因其精准兼容tensorflow旧代码对builder模块的路径引用，且避开3.21.0+移除internal.builder及4.x不兼容问题，同时需彻底清理残留文件、匹配protoc版本并避免多源混装。
直接结论：90%以上情况，降级到 protobuf==3.20.3 就能跑通，但必须确保没有残留旧版本、protoc 版本匹配、且不混用多个 protobuf 安装源。
为什么 ImportError: cannot import name 'builder' from 'google.protobuf.internal' 一出现就该怀疑 protobuf 版本？
这个错误不是“没装 protobuf”，而是你装了 protobuf>=4.0 或 protobuf==3.21.0+，而 TensorFlow（尤其是 object_detection 等子模块）生成的 _pb2.py 文件仍硬编码依赖旧路径。Protobuf 3.20.0 起把 builder 移到了 google.protobuf 根命名空间，google.protobuf.internal 里真没了。
常见触发场景：
- 用
pip install tensorflow==2.10后自动拉入protobuf==4.x（新版 pip 默认倾向高版本） - 先装了
grpcio或paddlepaddle，它们自带 protobuf 4.x 运行时，再装 TF 时 pip 没强制降级 - conda 环境里混用了 pip 安装的 protobuf 和 conda-forge 的 protobuf
降级前必须清理干净：残留的 .dist-info 和 __pycache__ 是静默失败元凶
只执行 pip uninstall protobuf 不够——pip 可能只删主模块，但 site-packages/google/protobuf/ 下的 __pycache__ 目录或残留的 protobuf-3.19.0.dist-info 会被 Python 自动加载，导致你以为降级成功，实际还在用旧符号。
安全清理步骤：
- 运行
pip uninstall protobuf -y - 手动进入
python -c "import site; print(site.getsitepackages())"输出的路径，找到google/protobuf/和同级的protobuf-*.dist-info文件夹，全部删掉 - 检查
pip list | grep protobuf输出为空，再装新版本
装 protobuf==3.20.3 后仍报 TypeError: Descriptors cannot be created directly 怎么办？
这说明你本地的 protoc 编译器版本和运行时 protobuf 版本错位。比如用 protoc 24.x 编译了 .proto 文件，但运行时是 protobuf 3.20.3，二者 ABI 不兼容。
验证与修复：
- 查 protoc 版本：
protoc --version（输出类似libprotoc 21.12） - 查 python protobuf 版本：
pip show protobuf（应为3.20.3） - 理想匹配：
protoc 21.x→protobuf 3.20.x；protoc 24.x→protobuf 4.21.0+ - 若必须混用，临时加环境变量：
PROTOCOL_BUFFERS_PYTHON_IMPLEMENTATION=python python your_script.py（性能下降 30–40%，仅应急）
虚拟环境里发现两个 protobuf 版本共存？优先用 pipenv 或 venv + requirements.txt 锁死
用 conda activate xxx && pip list | grep protobuf 看到两行输出（如 protobuf 3.20.3 和 protobuf-3.19.5），说明有包通过 setup.py install 或 pip install -e 方式安装了带版本后缀的变体，pip 不认为它是同一包。
可靠锁定方式：
- 新建干净 venv：
python -m venv tf_env && source tf_env/bin/activate（Linux/macOS） - 写死依赖：
echo "protobuf==3.20.3" > requirements.txt && echo "tensorflow==2.10.0" >> requirements.txt - 安装：
pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple
复杂点在于：TensorFlow 的 _pb2.py 文件是编译期产物，一旦生成就绑定 protobuf 运行时版本；而很多老项目（如 TF Models）的 protos/ 目录下文件没随 Protobuf 升级重生成——所以光换运行时不够，得确认你用的 _pb2.py 是用匹配的 protoc 生成的。
Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
