Python 使用tflite转换android的掩码RCNN模型

我正在尝试在android中部署这个掩码rcnn模型。我能够加载keras权重，冻结模型并使用TFLite1.13将其转换为.tflite模型

这个模型似乎使用了一些tflite中不支持的tf_操作。因此，我不得不使用

converter.target_ops = [tf.lite.OpsSet.TFLITE_BUILTINS,tf.lite.OpsSet.SELECT_TF_OPS]

以转换模型。现在，当我尝试使用python解释器推断此模型时，解释器.invoke（）中出现分段错误，python脚本崩溃

def run_tf_model(model_path="mask_rcnn_coco.tflite"):
    interpreter = tf.lite.Interpreter(model_path)
    interpreter.allocate_tensors()

    # Get input and output tensors.
    input_details = interpreter.get_input_details()[0]
    output_details = interpreter.get_output_details()[0]
    print(" input_details", input_details)
    print("output_details",output_details)

    # Test model on random input data.
    input_shape = input_details['shape']
    print("input_shape tflite",input_shape)
    input_data = np.array(np.random.random_sample(input_shape), dtype=np.float32)
    interpreter.set_tensor(input_details['index'], input_data)
    interpreter.invoke()

    # The function `get_tensor()` returns a copy of the tensor data.
    # Use `tensor()` in order to get a pointer to the tensor.
    output_data = interpreter.get_tensor(output_details['index'])
    print(output_data)

因此，我无法确定转换后的模型是否正确转换

另外，我计划在android中使用这个模型，但我对android（java或kotlin）tflite api几乎没有经验。如果有人能指出学习这方面的任何资源，也会很有帮助

---

编辑：我还尝试使用JavaAPI在android上运行推断。但是出现以下错误

tensorflow/lite/kernels/gather.cc:80 0您可以使用tflite python解释器验证您的定制训练tflite模型

您可以使用tflite python解释器验证您的定制训练tflite模型

import numpy as np
import tensorflow as tf

# Load the TFLite model and allocate tensors.
interpreter = tf.lite.Interpreter(model_path="converted_model.tflite")
interpreter.allocate_tensors()

# Get input and output tensors.
input_details = interpreter.get_input_details()
output_details = interpreter.get_output_details()

# Test the model on random input data.
input_shape = input_details[0]['shape']
input_data = np.array(np.random.random_sample(input_shape), dtype=np.float32)
interpreter.set_tensor(input_details[0]['index'], input_data)

interpreter.invoke()

# The function `get_tensor()` returns a copy of the tensor data.
# Use `tensor()` in order to get a pointer to the tensor.
output_data = interpreter.get_tensor(output_details[0]['index'])
print(output_data)