求解：加载叶片图像数据集时出现ValueError: too many values to unpack错误

错误原因 #

1. 解包不匹配：os.listdir(main_data_dir) 返回的是目标目录下40个叶片类别子文件夹的名称列表，而你试图将这个包含40个元素的列表解包为(trainX, trainY), (testX, testY)的4变量结构，元素数量远多于预期，直接触发too many values to unpack错误。
2. 逻辑错误：os.listdir仅返回文件/文件夹名称，不会加载图像数据或生成标签，你的代码完全跳过了图像读取、标签映射的核心步骤，逻辑从根源上不成立。

解决方法 #

下面提供两种可行的数据集加载方案，适配你的叶片分类（成对数据生成）场景：

方案一：使用Keras内置工具（推荐，简洁高效） #

利用image_dataset_from_directory自动处理文件夹结构、划分数据集、加载图像：

import tensorflow as tf
from tensorflow.keras.utils import image_dataset_from_directory
import numpy as np

# 配置参数
IMAGE_SIZE = (224, 224)  # 根据你的模型需求调整尺寸
VALIDATION_SPLIT = 0.2
SEED = 123

# 加载并划分训练/测试集
train_ds = image_dataset_from_directory(
    main_data_dir,
    validation_split=VALIDATION_SPLIT,
    subset="training",
    seed=SEED,
    image_size=IMAGE_SIZE,
    batch_size=32
)

test_ds = image_dataset_from_directory(
    main_data_dir,
    validation_split=VALIDATION_SPLIT,
    subset="validation",
    seed=SEED,
    image_size=IMAGE_SIZE,
    batch_size=32
)

# 将Dataset对象转换为numpy数组（适配make_pairs函数）
def dataset_to_numpy(dataset):
    images = []
    labels = []
    for img_batch, lbl_batch in dataset:
        images.append(img_batch.numpy())
        labels.append(lbl_batch.numpy())
    return np.concatenate(images), np.concatenate(labels)

trainX, trainY = dataset_to_numpy(train_ds)
testX, testY = dataset_to_numpy(test_ds)

# 归一化处理（你的原有逻辑）
trainX = 1 - (trainX / 255.0)
testX = 1 - (testX / 255.0)

# 如果需要转为单通道灰度图（可选，根据模型需求）
# trainX = tf.image.rgb_to_grayscale(trainX).numpy()
# testX = tf.image.rgb_to_grayscale(testX).numpy()

# 生成成对数据
(pairTrain, labelTrain) = make_pairs(trainX, trainY)
(pairTest, labelTest) = make_pairs(testX, testY)

print(f'\nTrain Data Shape: {pairTrain.shape}')
print(f'Test  Data Shape: {pairTest.shape}\n\n')

方案二：手动加载（灵活可控） #

使用PIL和sklearn手动处理图像读取、标签映射和数据集划分：

import os
import numpy as np
from PIL import Image
from sklearn.model_selection import train_test_split

# 配置参数
IMAGE_SIZE = (224, 224)
TEST_SIZE = 0.2
SEED = 123

# 自定义加载函数
def load_leaf_dataset(data_dir, img_size=IMAGE_SIZE):
    images = []
    labels = []
    # 获取类别名称并排序
    class_names = sorted(os.listdir(data_dir))
    class_idx_map = {name: idx for idx, name in enumerate(class_names)}
    
    for class_name in class_names:
        class_dir = os.path.join(data_dir, class_name)
        # 遍历类别下的所有图像
        for img_filename in os.listdir(class_dir):
            img_path = os.path.join(class_dir, img_filename)
            # 读取并调整图像尺寸
            img = Image.open(img_path).resize(img_size)
            img_array = np.array(img)
            images.append(img_array)
            labels.append(class_idx_map[class_name])
    
    return np.array(images), np.array(labels)

# 加载全部数据
X, Y = load_leaf_dataset(main_data_dir)

# 划分训练/测试集
trainX, testX, trainY, testY = train_test_split(X, Y, test_size=TEST_SIZE, random_state=SEED)

# 归一化处理
trainX = 1 - (trainX / 255.0)
testX = 1 - (testX / 255.0)

# 转为单通道灰度图（可选）
# trainX = np.mean(trainX, axis=-1, keepdims=True)
# testX = np.mean(testX, axis=-1, keepdims=True)

# 生成成对数据
(pairTrain, labelTrain) = make_pairs(trainX, trainY)
(pairTest, labelTest) = make_pairs(testX, testY)

print(f'\nTrain Data Shape: {pairTrain.shape}')
print(f'Test  Data Shape: {pairTest.shape}\n\n')

内容的提问来源于stack exchange，提问作者Jeeva Joslin