我在Raspberry Pi 4上使用OpenCV的DNN模块，这需要一个冻结的推理图（.pb文件）和相应的文本图文件（.pbtxt文件）。

使用来自TF1模型动物园的预训练ssd_mobilenet_v3_small_coco模型，并使用来自OpenCV的tf_text_graph_ssd.py脚本生成pbtxt文件，这在Raspberry上以平均5 FPS的速度运行良好。

之后，我想通过仅针对一个类别训练这个模型来加速检测过程。经过一番努力解决错误和依赖版本问题后，我终于成功进行了训练。我构建了一个数据集，标记了图像，创建了所有必要的文件。使用来自样本配置的ssdlite_mobilenet_v3_small_320x320_coco.config，设置了所有路径，将微调检查点指向模型文件夹，将类别数量设置为1，批量大小设置为16。

model_train.py运行后似乎产生了结果，尽管我还不太确定如何解读这些结果。我训练了10万步，然后导出了一个冻结的推理图，并再次使用tf_text_graph_ssd.py生成pbtxt文件。我在Raspberry Pi应用上运行这些文件，没有报错，运行速度达到10FPS，但完全没有检测到任何目标。

所以，要么是我在训练过程中出了问题，要么是在导出或生成pbtxt文件的过程中出了问题。我不知道接下来该怎么办。希望有人能指点我正确的方向。下面是一些Tensorboard输出的截图。

损失图表：

精度图表：

评估图像标签：

回答：

我自己回答了这个问题，因为我确实找到了解决方法，希望这能帮助到其他人。

我之前尝试使用export_inference_graph.py生成的冻结推理图，并尝试从中生成文本图。

实际上，我应该使用export_tflite_ssd_graph.py导出冻结的推理图，然后使用这个冻结的推理图和tf_text_graph_ssd.py生成相应的文本图。

一旦我这样做了，我就得到了正确的pb和pbtxt文件，它们与OpenCV的DNN模块完美运行。