训练后的Keras模型预测异常：新图片均输出同一类别

1. 类别名称顺序不匹配 #

训练时flow_from_directory会按文件夹名称的字母顺序自动生成类别索引映射，若你手动定义的class_names列表顺序与该映射不一致，会导致预测结果的类别映射错误，表现为“始终预测同一类别”（实际是索引对应错了）。

解决办法 #

训练时直接从生成器中提取类别名称，确保顺序完全一致：

# 训练阶段保存类别映射
class_indices = train_generator.class_indices
# 获取按训练时顺序排列的类别名称
class_names = list(class_indices.keys())

预测时直接使用这个class_names，不要手动编写类别列表。

2. 新图像预处理与训练集不一致 #

虽然你做了img_array /= 255.的归一化，但仍存在潜在差异：

• 若新图像是灰度图，image.load_img默认会将其转为3通道，但像素值完全相同，模型无法提取有效特征；
• 图像的色彩空间、通道顺序（如RGB/BGR）与训练集不匹配。

解决办法 #

• 加载图像时明确指定颜色模式，与训练集保持一致：

  # 训练集是RGB则明确指定
  img = image.load_img(img_path, target_size=(IMAGE_SIZE, IMAGE_SIZE), color_mode="rgb")
  

• 检查图像通道数，若为单通道则转为3通道：

  import numpy as np
  if img_array.shape[-1] == 1:
      img_array = np.repeat(img_array, 3, axis=-1)
  

3. 模型加载异常（若使用保存后的模型预测） #

如果训练后保存模型再加载使用，若加载方式错误（如仅加载结构未加载权重），会导致模型权重随机，出现始终预测同一类的情况。但你在训练Notebook内测试正常，此情况仅在跨环境加载时需要排查。

解决办法 #

确保模型完整保存与加载：

# 训练后保存完整模型
model.save("image_classifier.h5")
# 加载模型
from tensorflow.keras.models import load_model
model = load_model("image_classifier.h5")

加载后用训练集图像测试，确认权重正确加载。

4. 新图像与训练集分布差异过大 #

若新图像的拍摄环境、光线、角度、主体形态等与训练集差异极大，模型无法泛化，可能偏向预测某类（通常是训练集中特征最具共性的类别）。

解决办法 #

• 收集与新图像分布一致的样本补充训练集，或对新图像应用训练时的数据增强操作（如轻微旋转、翻转）；
• 对同一张新图像进行多次增强后预测，取结果的众数或平均概率，提升鲁棒性。

快速验证步骤 #

1. 取训练集中的一张图像作为“新图像”测试，若预测正确，说明问题出在新图像本身；若错误，排查类别映射或模型加载问题。
2. 打印完整的预测概率数组，判断是概率分布异常还是类别映射错误：

   print("预测概率数组:", predictions)
   

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