ResNet50单张灰度OCT图像预测时出现IndexError问题求助

问题背景 #

我正在开展基于深度学习的中心性浆液性视网膜病变（CSR）检测项目，尝试过VGG16、ResNet、EfficientNetB0等架构。现有数据集包含约100张CSR病变OCT图像（其中41张经Label Studio标注）及200张正常视网膜OCT图像，已用ResNet50完成训练，但运行单张灰度图像预测代码时出现错误：

IndexError: index 1 is out of bounds for axis 3 with size 1

错误原因 #

这个错误的核心是输入图像通道数与模型期望的输入通道数不匹配：

• ResNet50的默认输入规格是(224, 224, 3)（3通道RGB图像）
• 预测时传入的是单通道灰度图像，轴3的维度大小为1，而模型的卷积层在处理时会尝试访问第1索引的通道（对应RGB的G通道），导致越界

解决方案 #

根据你的训练数据格式，选择以下两种方案之一：

方案1：将灰度图转换为3通道格式（适用于训练时用RGB图像的场景） #

如果训练阶段使用的是3通道RGB图像，只需将单通道灰度图复制为3通道即可匹配模型输入要求：

import cv2
import numpy as np
from tensorflow.keras.models import load_model

# 加载训练好的模型
model = load_model('resnet50_csr_model.h5')

# 读取单通道灰度图
img = cv2.imread('test_oct.png', 0)
# 调整为模型要求的输入尺寸
img = cv2.resize(img, (224, 224))
# 复制单通道数据到3个通道，转换为(224,224,3)
img = np.stack((img,)*3, axis=-1)
# 增加batch维度，变为(1,224,224,3)
img = np.expand_dims(img, axis=0)
# 保持与训练时一致的归一化操作（示例为除以255）
img = img / 255.0

# 执行预测
prediction = model.predict(img)

方案2：修改模型适配单通道输入（适用于训练时用灰度图的场景） #

如果训练阶段实际使用的是单通道灰度图，说明初始化ResNet50时未指定正确的输入形状，需要重新定义模型并训练：

from tensorflow.keras.applications import ResNet50
from tensorflow.keras.layers import Dense, GlobalAveragePooling2D
from tensorflow.keras.models import Model

# 加载ResNet50时指定单通道输入形状，不加载预训练权重（预训练权重针对RGB图像）
base_model = ResNet50(weights=None, include_top=False, input_shape=(224, 224, 1))

# 添加自定义分类头
x = base_model.output
x = GlobalAveragePooling2D()(x)
x = Dense(1024, activation='relu')(x)
# 二分类任务：输出CSR/正常的概率
predictions = Dense(2, activation='softmax')(x)

# 构建完整模型
model = Model(inputs=base_model.input, outputs=predictions)

# 编译并重新训练（使用你的灰度数据集）
model.compile(optimizer='adam', loss='categorical_crossentropy', metrics=['accuracy'])
# model.fit(...)  # 此处替换为你的训练代码

# 训练完成后，直接用单通道灰度图预测
img = cv2.imread('test_oct.png', 0)
img = cv2.resize(img, (224, 224))
img = np.expand_dims(img, axis=(0, -1))  # 变为(1,224,224,1)
img = img / 255.0
prediction = model.predict(img)

内容的提问来源于stack exchange，提问作者voxovoxo