TensorFlow脚本无法检测图片：目录有图却报错求助

问题描述 #

作为TensorFlow新手，我编写了一个杯子检测脚本，执行时提示No images found in directory /Users/myname/Documents/Python/TensorFlow/data/train/cups. Allowed formats: ('.bmp', '.gif', '.jpeg', '.jpg', '.png')，但该目录下确实有图片。脚本代码如下：

import tensorflow as tf

# Ordner mit den Bildern definieren
becher_images_dir = "/Users/myname/Documents/Python/TensorFlow/data/train/cups"
nicht_becher_images_dir = "/Users/myname/Documents/Python/TensorFlow/data/train/not_cups"

# Trainingsdaten definieren
becher_train_data = tf.keras.preprocessing.image_dataset_from_directory(
    becher_images_dir, batch_size=32
)
nicht_becher_train_data = tf.keras.preprocessing.image_dataset_from_directory(
    nicht_becher_images_dir, batch_size=32
)

# Trainingsdaten zusammenfügen
train_data = becher_train_data.concatenate(nicht_becher_train_data)

# Validierungsdaten definieren
validation_split = 0.5
validation_data = train_data.take(validation_split * len(train_data))

# Eingängen definieren
x = tf.keras.Input(shape=(224, 224, 3))

# Erstes Konvolutional- und Pooling-Layer
conv1 = tf.keras.layers.Conv2D(filters=32, kernel_size=(3, 3), padding='same')(x)
pool1 = tf.keras.layers.MaxPooling2D(pool_size=(2, 2), strides=2)(conv1)

# Zweites Konvolutional- und Pooling-Layer
conv2 = tf.keras.layers.Conv2D(filters=64, kernel_size=(3, 3), padding='same')(pool1)
pool2 = tf.keras.layers.MaxPooling2D(pool_size=(2, 2), strides=2)(conv2)

# Fully-connected Layer
flatten = tf.keras.layers.Flatten()(pool2)
dense = tf.keras.layers.Dense(128, activation='relu')(flatten)

# Ausgabe
output = tf.keras.layers.Dense(1, activation='sigmoid')(dense)

# Modell definieren
model = tf.keras.Model(inputs=x, outputs=output)

# Modell trainieren
loss_fn = tf.keras.losses.BinaryCrossentropy()
optimizer = tf.keras.optimizers.Adam(learning_rate=0.001)

model.compile(loss=loss_fn, optimizer=optimizer, metrics=['accuracy'])

model.fit(train_data, validation_data=validation_data, epochs=10)

# Modell bewerten
model.evaluate(validation_data)

问题原因及解决办法 #

核心问题：image_dataset_from_directory使用逻辑错误 #

tf.keras.preprocessing.image_dataset_from_directory的设计逻辑是：传入的目录必须包含子目录，每个子目录对应一个类别，图片放在子目录内。你直接把图片放在了cups目录下，没有子目录，函数会遍历cups下的子目录找图片，自然找不到，因此报错。

解决办法1：调整目录结构（推荐）

• 将cups目录里的所有图片移动到cups/cup子目录中，同理把not_cups里的图片移动到not_cups/not_cup子目录中。
• 更规范的二分类数据集结构：直接将cups和not_cups作为train目录的子目录，然后一次性读取train目录，自动识别两个类别，代码更简洁：

# 直接读取train目录，自动识别cups和not_cups两个类别
train_data = tf.keras.preprocessing.image_dataset_from_directory(
    "/Users/myname/Documents/Python/TensorFlow/data/train",
    batch_size=32,
    image_size=(224, 224)  # 必须指定，模型输入是224x224，默认256x256会不匹配
)

# 拆分验证集
validation_split = 0.5
val_size = int(len(train_data) * validation_split)
validation_data = train_data.take(val_size)
train_data = train_data.skip(val_size)

解决办法2：不修改目录，手动加载图片

如果不想调整目录结构，可以用tf.data.Dataset手动遍历图片文件并加载：

def load_class_images(dir_path, label):
    # 遍历目录下的所有图片文件，按需添加后缀
    img_paths = tf.io.gfile.glob(f"{dir_path}/*.jpg") + tf.io.gfile.glob(f"{dir_path}/*.png")
    dataset = tf.data.Dataset.from_tensor_slices(img_paths)
    
    def process_img(path):
        img = tf.io.read_file(path)
        img = tf.image.decode_jpeg(img, channels=3)  # 若有png可添加decode_png分支
        img = tf.image.resize(img, (224, 224))
        return img, label
    
    return dataset.map(process_img, num_parallel_calls=tf.data.AUTOTUNE)

# 加载杯子类（标签1）和非杯子类（标签0）
becher_train_data = load_class_images(becher_images_dir, 1)
nicht_becher_train_data = load_class_images(nicht_becher_images_dir, 0)

# 合并数据集
train_data = becher_train_data.concatenate(nicht_becher_train_data).shuffle(1000)

其他排查方向 #

• 检查图片后缀：如果图片是大写后缀（比如.PNG/.JPG），可以在调用image_dataset_from_directory时添加参数：allowed_formats=('bmp', 'gif', 'jpeg', 'jpg', 'png', 'BMP', 'GIF', 'JPEG', 'JPG', 'PNG')
• 验证路径正确性：把路径复制到终端，用ls /Users/myname/Documents/Python/TensorFlow/data/train/cups命令查看是否能列出图片，确认没有拼写错误或隐藏字符
• 检查图片完整性：手动打开几张图片，确认没有损坏无法读取的情况

内容的提问来源于stack exchange，提问作者hallleron