Here是关于将Mobilenet + SSD转换为tflite的教程，他们在某些时候会使用export_tflite_ssd_graph.py，据我所知，该自定义脚本用于支持tf.image.non_max_suppression操作。
export CONFIG_FILE=gs://${YOUR_GCS_BUCKET}/data/pipeline.config
export CHECKPOINT_PATH=gs://${YOUR_GCS_BUCKET}/train/model.ckpt-2000
export OUTPUT_DIR=/tmp/tflite
python object_detection/export_tflite_ssd_graph.py \
--pipeline_config_path=$CONFIG_FILE \
--trained_checkpoint_prefix=$CHECKPOINT_PATH \
--output_directory=$OUTPUT_DIR \
--add_postprocessing_op=true
但是我不知道什么是pipeline.config，以及如果我使用通过tf.image.non_max_suppression操作的自定义模型（例如FaceBoxes）怎么创建它？
答案 0 :(得分：1)
export_tflite_ssd_graph.py的主要目标是将训练检查点文件导出为冻结图，您以后可以将其用于转移学习或直接推断（因为它们包含模型结构信息以及训练后的权重信息） ）。实际上， model zoo 中列出的所有模型都是以此方式生成的冻结图。
对于tf.image.non_max_suppression，export_tflite_ssd_graph.py并不用于“支持”它，但是如果将--add_postprocessing_op设置为true，则会在冻结中添加另一个自定义操作节点图中，此自定义节点将具有类似于op tf.image.non_max_suppression的功能。参见参考文献here。
最后，pipeline.config文件直接对应于您用于训练的配置文件（--pipeline_config_path），它是它的副本，但通常具有修改的得分阈值（请参见说明{{3 }}关于pipeline.config。），因此，如果您使用自定义模型，则必须在训练之前创建它。而要创建自定义配置文件，here是官方教程。