Keras图像分类模型训练报错：无法将形状(300,300,3)的输入数组广播到形状(300,300)

问题根源 #

你碰到的ValueError: could not broadcast input array from shape (300,300,3) into shape (300,300)，本质是数据集里混着单通道灰度图和三通道彩色图：

• 彩色图resize后是(300,300,3)的形状
• 灰度图resize后是(300,300)的形状
  当你把这些图像塞到列表再转成numpy数组时，数组没法统一形状，就抛出了广播错误。另外你尝试把cv2.resize的参数改成(300,300,3)是搞错了——cv2.resize的第二个参数只接受(宽度, 高度)两个值，不包含通道数。

修复步骤 #

下面是具体的修正方案，一步步来：

1. 统一所有图像为三通道格式

加载图像后先检查通道数，如果是灰度图（没有通道维度或者通道数为1），就把它转换成三通道的格式，这样所有图像的形状就能保持一致：

修改图像加载和处理的代码段：

# Loading and processing the images
print("loading images")
images = []
label = []

def process_image(img_path):
    # 加载图像
    image = imageio.imread(img_path)
    # 处理灰度图：转成三通道
    if len(image.shape) == 2:  # 灰度图的形状是(H, W)
        # 重复三次通道维度，变成(H, W, 3)
        image = np.stack([image]*3, axis=-1)
    # resize到统一尺寸
    image = cv2.resize(image, (300, 300))
    return image

for i in dummy:
    img_path = os.path.join(dummyPath, i)
    images.append(process_image(img_path))
    label.append(0) # 标记dummy类
for i in product:
    img_path = os.path.join(productPath, i)
    images.append(process_image(img_path))
    label.append(1) # 标记product类

2. 正确转换为numpy数组

现在所有图像都是(300,300,3)的形状，不需要指定dtype='object'，直接转成浮点型数组（Keras模型通常需要浮点输入），顺便做归一化能提升训练效果：

# converting images to arrays
print("converting images to np-arrays")
# 归一化像素值到0-1区间
images = np.array(images, dtype=np.float32) / 255.0
label = np.array(label)

3. 可选：验证图像形状

可以在process_image函数里加一句打印，确保所有图像处理后都是预期的形状：

print(f"Processed image shape: {image.shape}")

把这些修改整合到你的原代码中，替换对应的加载、resize和转数组部分，就能解决这个错误了。

内容的提问来源于stack exchange，提问作者lxg95