ML二分类数据集标签与文件夹不匹配问题求助

我使用Kaggle的表面裂纹检测数据集（包含Positive和Negative两个文件夹），通过以下代码利用ImageDataGenerator划分训练集与验证集，设置class_mode='binary'：

data_dir = '/kaggle/input/'
my_data_dir = f'{data_dir}/surface-crack-detection/surface-crack-detection/'
positive_dir = my_data_dir + 'Positive/'
negative_dir = my_data_dir + 'Negative/'
        
# Define image dimensions
img_height, img_width = 224, 224
batch_size = 32

# Create ImageDataGenerators without data augmentation
datagen = ImageDataGenerator(rescale=1./255, validation_split=0.2)

train_generator = datagen.flow_from_directory(
    my_data_dir,
    target_size=(img_height, img_width),
    batch_size=batch_size,
    class_mode='binary',
    subset='training'
)

validation_generator = datagen.flow_from_directory(
    my_data_dir,
    target_size=(img_height, img_width),
    batch_size=batch_size,
    class_mode='binary',
    subset='validation'
)

但执行以下代码打印验证集文件路径与对应标签时：

for i in range(len(validation_generator)):
    batch = next(validation_generator)
    images, labels = batch
    file_paths = validation_generator.filepaths[i * batch_size:(i + 1) * batch_size]
    
    for j in range(len(file_paths)):
        print(f"File Path: {file_paths[j]}, Label: {labels[j]}")

得到的结果显示Negative文件夹下的图片标签既有1.0又有0.0，不符合预期（Negative文件夹应对应标签0，Positive对应标签1）。请问哪里操作出错了？

核心问题1：生成器默认打乱数据，导致路径与标签错位 #

flow_from_directory默认参数shuffle=True，生成器会随机打乱验证集数据的顺序。你手动通过i * batch_size计算的文件路径，是按原始未打乱的顺序取的，和next(validation_generator)返回的随机batch的图片、标签完全不对应，自然出现标签匹配错误的情况。

核心问题2：循环方式导致生成器指针不同步 #

你用for i in range(len(validation_generator))循环，同时多次调用next(validation_generator)，会导致生成器的内部指针移动和循环变量i不同步，进一步加剧路径和标签的错位问题。

正确的解决步骤 #

1. 修改验证集生成器，关闭打乱

在创建validation_generator时添加shuffle=False，保证数据按原始顺序输出，这样文件路径和标签才能一一对应：

validation_generator = datagen.flow_from_directory(
    my_data_dir,
    target_size=(img_height, img_width),
    batch_size=batch_size,
    class_mode='binary',
    subset='validation',
    shuffle=False  # 关键：关闭打乱，保证顺序匹配
)

2. 正确遍历生成器并匹配路径与标签

使用enumerate遍历生成器，利用批次索引计算对应文件路径的范围，同时注意最后一个批次可能小于设定的batch_size：

# 遍历验证集的每个批次
for batch_idx, (images, labels) in enumerate(validation_generator):
    # 计算当前批次对应的文件路径索引范围
    start_idx = batch_idx * batch_size
    end_idx = start_idx + len(images)  # 处理最后一个批次可能不足batch_size的情况
    file_paths = validation_generator.filepaths[start_idx:end_idx]
    
    # 遍历当前批次的路径与标签
    for path, label in zip(file_paths, labels):
        print(f"File Path: {path}, Label: {label}")

3. 确认文件夹与标签的对应关系

可以先打印class_indices确认标签映射是否符合预期：

print(validation_generator.class_indices)

正常输出应为{'Negative': 0, 'Positive': 1}（按文件夹名称字母排序，Negative在前），如果映射错误，可通过classes参数手动指定标签顺序，但一般默认排序即可满足需求。

内容的提问来源于stack exchange，提问作者Lorentz1234