ResNet汽车识别模型测试集正常，手动预测输出固定结果求助

核心问题分析 #

模型在批量测试集上表现正常，但单张图片预测时输出固定类别，说明单张图片的预处理流程与训练/测试阶段不一致，导致模型输入分布异常，进而输出无意义的固定结果。

具体修正步骤 #

1. 对齐预处理顺序（关键） #

训练阶段的预处理顺序是：先resize到目标尺寸，再归一化；但你的手动测试代码是先归一化再resize，这会导致像素值的插值计算逻辑与训练时不符。修正后的代码如下：

import tensorflow as tf
import numpy as np

image_path = "pezo2.jpg"

# 1. 读取图像并强制转为3通道RGB（避免灰度图问题）
image = tf.io.read_file(image_path)
image = tf.image.decode_image(image, channels=3)

# 2. 先resize到训练时的目标尺寸，和训练流程一致
target_size = (256, 256)
resized_image = tf.image.resize(image, target_size)

# 3. 再执行归一化，和训练流程一致
normalization_layer = tf.keras.layers.experimental.preprocessing.Rescaling(1.0 / 255)
normalized_image = normalization_layer(resized_image)

# 4. 扩展维度为批量输入格式
image_array = np.expand_dims(normalized_image, axis=0)

# 执行预测
yhat = new_model.predict(image_array)

2. 确认图像通道与维度 #

• 手动加载图像时必须强制指定channels=3，避免部分图像是单通道灰度图，导致模型输入维度不匹配（模型要求输入为(None,256,256,3)）。
• 预处理完成后，可以打印image_array.shape确认是否为(1,256,256,3)，确保符合模型输入要求。

3. 验证模型加载正确性 #

虽然测试集评估正常，但可以额外验证加载的模型是否为训练完成的版本：

# 打印模型结构，和训练代码中的结构对比
new_model.summary()
# 对比训练时的最后一层参数数量，确认加载无误
print(new_model.layers[-1].get_weights()[0].shape)  # 应为(512,8)

4. 排查标签映射一致性 #

训练时image_dataset_from_directory会按文件夹名称字典序生成类别顺序，你可以打印测试集的类别映射，确认预测结果对应的类别是否符合预期：

# 训练时获取类别映射
class_names = data.class_names
print("类别顺序：", class_names)
# 预测时查看对应类别
predicted_class_idx = np.argmax(yhat)
print("预测类别：", class_names[predicted_class_idx])

额外建议 #

如果上述修正后仍有问题，可以尝试将训练时的归一化层整合到模型中，避免预处理流程不一致：

# 训练时将归一化层加入模型
input_layer = tf.keras.Input(shape=(256,256,3))
x = tf.keras.layers.experimental.preprocessing.Rescaling(1.0/255)(input_layer)
x = resnet_model(x)
# 后续自定义层不变...
model = Model(inputs=input_layer, outputs=predictions)

这样保存的模型会自动处理归一化，手动测试时只需resize图像即可，无需额外归一化步骤。

内容的提问来源于stack exchange，提问作者Alphacell