我需要创建一个对象检测模型，用于树莓派4和相机。为此，我基于ssd_mobilenet_v2_fpnlite_640x640_coco17_tpu-8模型使用迁移学习创建了一个深度学习模型。此模型的文档可在此处找到：model documentation ssd_mobilenet_v2_fpnlite_640x640_coco17_tpu-8
我正在使用tensorflow 2. 5. 0，输出模型（saved_model类型）运行良好，当我想用图像测试它到我的jupyter书中时，准确性真的很好。
当我尝试将我的tensorflow模型（.pb）转换为tensorflow lite时，问题出现了。转换工作正常，但输出与.pb模型不同，而且我没有找到任何关于此.tflite模型的8个输出的文档。
正如您在上面的文档中所看到的，有8个输出包含num_detections，detection_boxes，detection_classes等...使用tensorflow模型可以很好地工作。但是当我尝试解释tensorflow lite模型的输出时，输出如下所示：

[{'dtype': <class 'numpy.float32'>,
  'index': 428,
  'name': 'StatefulPartitionedCall:7',
  'quantization': (0.0, 0),
  'quantization_parameters': {'quantized_dimension': 0,
                              'scales': array([], dtype=float32),
                              'zero_points': array([], dtype=int32)},
  'shape': array([    1, 51150,     4]),
  'shape_signature': array([    1, 51150,     4]),
  'sparsity_parameters': {}},
 {'dtype': <class 'numpy.float32'>,
  'index': 586,
  'name': 'StatefulPartitionedCall:4',
  'quantization': (0.0, 0),
  'quantization_parameters': {'quantized_dimension': 0,
                              'scales': array([], dtype=float32),
                              'zero_points': array([], dtype=int32)},
  'shape': array([1, 1]),
  'shape_signature': array([ 1, -1]),
  'sparsity_parameters': {}},
 {'dtype': <class 'numpy.float32'>,
  'index': 411,
  'name': 'StatefulPartitionedCall:6',
  'quantization': (0.0, 0),
  'quantization_parameters': {'quantized_dimension': 0,
                              'scales': array([], dtype=float32),
                              'zero_points': array([], dtype=int32)},
  'shape': array([    1, 51150,     4]),
  'shape_signature': array([    1, 51150,     4]),
  'sparsity_parameters': {}},
 {'dtype': <class 'numpy.float32'>,
  'index': 569,
  'name': 'StatefulPartitionedCall:5',
  'quantization': (0.0, 0),
  'quantization_parameters': {'quantized_dimension': 0,
                              'scales': array([], dtype=float32),
                              'zero_points': array([], dtype=int32)},
  'shape': array([1]),
  'shape_signature': array([1]),
  'sparsity_parameters': {}},
 {'dtype': <class 'numpy.float32'>,
  'index': 657,
  'name': 'StatefulPartitionedCall:1',
  'quantization': (0.0, 0),
  'quantization_parameters': {'quantized_dimension': 0,
                              'scales': array([], dtype=float32),
                              'zero_points': array([], dtype=int32)},
  'shape': array([1, 1, 1]),
  'shape_signature': array([ 1, -1, -1]),
  'sparsity_parameters': {}},
 {'dtype': <class 'numpy.float32'>,
  'index': 639,
  'name': 'StatefulPartitionedCall:2',
  'quantization': (0.0, 0),
  'quantization_parameters': {'quantized_dimension': 0,
                              'scales': array([], dtype=float32),
                              'zero_points': array([], dtype=int32)},
  'shape': array([1, 1]),
  'shape_signature': array([ 1, -1]),
  'sparsity_parameters': {}},
 {'dtype': <class 'numpy.float32'>,
  'index': 622,
  'name': 'StatefulPartitionedCall:3',
  'quantization': (0.0, 0),
  'quantization_parameters': {'quantized_dimension': 0,
                              'scales': array([], dtype=float32),
                              'zero_points': array([], dtype=int32)},
  'shape': array([1, 1, 1]),
  'shape_signature': array([ 1, -1, -1]),
  'sparsity_parameters': {}},
 {'dtype': <class 'numpy.float32'>,
  'index': 604,
  'name': 'StatefulPartitionedCall:0',
  'quantization': (0.0, 0),
  'quantization_parameters': {'quantized_dimension': 0,
                              'scales': array([], dtype=float32),
                              'zero_points': array([], dtype=int32)},
  'shape': array([1, 1]),
  'shape_signature': array([ 1, -1]),
  'sparsity_parameters': {}}]

什么是“StatefulPartitionedCall：n”键？如何在文档中使用它？
作为参考，我使用这个github来启动我的模型：github在原生模型中可以正常工作，但在我的模型中不行：

Traceback (most recent call last):
  File "TFLite_detection_webcam.py", line 219, in <module>
    if ((scores[i] > min_conf_threshold) and (scores[i] <= 1.0)):
ValueError: The truth value of an array with more than one element is ambiguous. Use a.any() or a.all()

我想解析输出的方法是不一样的，我真的不知道如何解析它们。
谢谢你的时间。我花了很多时间去理解为什么它不起作用，我不得不承认我是在一堵墙前。