在Google Colab中用TensorFlow部署YOLOv8时遇文件找不到错误求助

问题背景 #

在Google Colab基于TensorFlow实现YOLOv8自定义数据集训练时，已完成数据集划分、图像与标注加载预处理，但执行可视化代码时，提示image_0329等文件不存在，而这些文件实际存在于Google Drive的images文件夹中。

已执行代码 #

数据集划分

num_val = int(len(xml_files) * SPLIT)  # 原代码缺少闭合括号，需补充
# Split the dataset into train and validation sets
val_data = data.take(num_val)
train_data = data.skip(num_val)

数据加载与预处理

def load_image(image_paths):
    image = tf.io.read_file(image_paths)
    image = tf.image.decode_jpeg(image, channels=3)
    return image


def load_dataset(image_paths, classes, bbox):
    # Read Image
    image = load_image(image_paths)
    bounding_boxes = {
        "classes": tf.cast(classes, dtype=tf.float32),
        "boxes": bbox,
    }
    return {"images": tf.cast(image, tf.float32), "bounding_boxes": bounding_boxes}

augmenter = keras.Sequential(
    layers=[
        keras_cv.layers.RandomSharpness(1, [0,255]),
        keras_cv.layers.AutoContrast([0,255]),
        keras_cv.layers.JitteredResize(
            target_size=(640, 640), scale_factor=(0.75, 1.3), bounding_box_format="xyxy"
        ),
    ]
)

train_ds = train_data.map(load_dataset, num_parallel_calls=tf.data.AUTOTUNE)
train_ds = train_ds.shuffle(BATCH_SIZE * 4)
train_ds = train_ds.ragged_batch(BATCH_SIZE, drop_remainder=True)
train_ds = train_ds.map(augmenter, num_parallel_calls=tf.data.AUTOTUNE)

val_ds = val_data.map(load_dataset, num_parallel_calls=tf.data.AUTOTUNE)
val_ds = val_ds.shuffle(BATCH_SIZE * 4)
val_ds = val_ds.ragged_batch(BATCH_SIZE, drop_remainder=True)
val_ds = val_ds.map(augmenter, num_parallel_calls=tf.data.AUTOTUNE)

可视化代码

def visualize_dataset(inputs, value_range, rows, cols, bounding_box_format):
    inputs = next(iter(inputs.take(1)))
    images, bounding_boxes = inputs["images"], inputs["bounding_boxes"]
    visualization.plot_bounding_box_gallery(
        images,
        value_range=value_range,
        rows=rows,
        cols=cols,
        y_true=bounding_boxes,
        scale=5,
        font_scale=0.7,
        bounding_box_format=bounding_box_format,
        class_mapping=class_mapping,
    )


visualize_dataset(
    train_ds, bounding_box_format="xyxy", value_range=(0, 255), rows=2, cols=2
)

visualize_dataset(
    val_ds, bounding_box_format="xyxy", value_range=(0, 255), rows=2, cols=2
)

报错信息 #

Error: {{function_node __wrapped__IteratorGetNext_output_types_3_device_/job:localhost/replica:0/task:0/device:CPU:0}} /content/drive/MyDrive/images/images/image_0329; No such file or directory
     [[{{node ReadFile}}]] [Op:IteratorGetNext] name: 
Error: {{function_node __wrapped__IteratorGetNext_output_types_3_device_/job:localhost/replica:0/task:0/device:CPU:0}} /content/drive/MyDrive/images/images/image_0001; No such file or directory
     [[{{node ReadFile}}]] [Op:IteratorGetNext] name: 

问题分析 #

从报错路径/content/drive/MyDrive/images/images/image_0329可以看出，路径中重复出现了images目录，这是核心问题：代码生成图像路径时错误地拼接了两次images目录，导致实际访问的路径不存在，而真实文件路径应为/content/drive/MyDrive/images/image_0329（需确认文件后缀是否正确）。

解决方案 #

1. 修正图像路径生成逻辑 #

检查你构建image_paths的代码（未在提供的代码中展示，是问题根源）：

• 确认图像实际存储路径：比如文件存放在/content/drive/MyDrive/images/下
• 避免重复拼接images目录：如果原本代码写了类似os.path.join(IMAGE_DIR, "images", filename)，改成os.path.join(IMAGE_DIR, filename)（其中IMAGE_DIR已指向/content/drive/MyDrive/images/）

2. 调试验证路径正确性 #

在load_image函数中添加路径打印，确认传入的路径是否正确：

def load_image(image_paths):
    # 打印路径用于调试
    tf.print("Current image path:", image_paths)
    image = tf.io.read_file(image_paths)
    image = tf.image.decode_jpeg(image, channels=3)
    return image

运行代码后查看打印的路径，确认是否存在重复的images目录，针对性修正。

3. 检查文件后缀 #

额外确认路径中是否包含正确的文件后缀（如.jpg/.png），如果xml标注中只记录了文件名而没有后缀，需要在生成image_paths时补充后缀，比如：

image_path = os.path.join(IMAGE_DIR, f"{filename}.jpg")

4. 确认Drive挂载正确性 #

确保Google Drive已正确挂载到/content/drive/MyDrive/，可以通过以下命令验证：

!ls /content/drive/MyDrive/images/

如果能看到目标图像文件，说明挂载正常；否则重新执行挂载代码：

from google.colab import drive
drive.mount('/content/drive')

验证步骤 #

修正路径后，重新运行数据集加载和可视化代码，若不再出现文件找不到错误，且能正常显示带标注的图像，则问题解决。

内容的提问来源于stack exchange，提问作者KHALID IJAZ