TensorFlow人行横道图像分类模型预测全为0%问题排查求助

先从最容易忽略的数据预处理一致性入手，这是此类问题的高发原因：

• 检查测试图像的预处理流程是否和训练阶段完全对齐：包括图像尺寸缩放（比如训练时用target_size=(224,224)，测试时必须同步）、归一化（如rescale=1./255）、通道顺序（RGB/BGR）、是否转灰度等。如果训练用了ImageDataGenerator做增强，测试时也要用相同的预处理逻辑，不能直接读图就喂模型。
• 确认类别映射和标签解读是否正确：训练时class_mode='binary'对应的类别顺序（比如"有人行横道"是1，"无"是0），测试时要保持一致；模型输出的是sigmoid概率值，要明确是对应哪一类的概率，别搞反了判断逻辑。
• 检查测试图像的加载是否正常：有没有出现图像损坏、通道数不对（比如训练用RGB，测试读成了单通道灰度）的情况。

数据集相关优化 #

针对你怀疑的数据集规模问题，可从这几点调整：

• 验证训练/验证集与测试集的分布差异：比如训练集都是特定场景（晴天、正面视角），测试集是完全不同的场景（雨天、侧面视角），这种分布偏移会导致模型完全失效。可以随机抽取训练集和测试集的图像做可视化对比，确认特征分布是否一致。
• 强化数据增强的强度：如果当前增强参数太保守（比如只做了水平翻转），可以增加随机旋转（±30°）、缩放（0.8-1.2倍）、亮度/对比度调整、随机裁剪等操作，让模型学到更通用的特征。
• 检查类别平衡性：如果训练集里"无行人横道"的样本占比极高（比如90%以上），模型会倾向于输出0来获得高准确率。这种情况要设置class_weight（比如class_weight={0:1, 1:5}）来平衡损失，强制模型关注少数类。

模型结构与训练优化 #

不想用预训练模型的话，可从这些方向调整：

• 简化模型结构：如果当前CNN层数过多、参数过大，容易过拟合到训练集的噪声，导致测试失效。可以减少卷积层的数量，或者降低每个卷积层的滤波器数量（比如从64降到32）。
• 添加正则化机制：在卷积层或全连接层加入L2正则化（比如kernel_regularizer=tf.keras.regularizers.L2(0.01)），或者添加Dropout层（比如在卷积后加Dropout(0.2)），抑制过拟合。
• 调整训练参数：检查学习率是否合适，过高会导致模型震荡，过低会让模型收敛到局部最优。可以尝试用学习率衰减（比如ReduceLROnPlateau回调），或者从1e-4开始调整学习率。
• 确认输出层配置：二分类必须用单个神经元+sigmoid激活，损失函数用BinaryCrossentropy，别误用softmax或CategoricalCrossentropy，否则输出逻辑会混乱。
• 检查权重加载：测试时要确保加载的是训练完成后的最终权重，而不是初始随机权重或者中间epoch的权重。

测试代码排查 #

• 关闭训练模式：如果模型里有Dropout或BatchNormalization层，测试时必须设置model.trainable=False，或者用model.predict()（自动切换到推理模式），否则BatchNormalization会用测试数据的统计量，导致输出异常。
• 验证输出解读：比如model.predict(img)返回的是[[0.02]]，这是"有人行横道"的概率为2%，"无"为98%，别直接把这个值当成类别标签，要设置阈值（比如0.5）来判断类别。

内容的提问来源于stack exchange，提问作者Thewatcher