加载Google Drive数据集遇NotFoundError，求有效读取方案

错误原因分析 #

报错路径显示为/content/drive/MyDrive/Dataset/images/images/train/angry671.jpg，明显是将angry目录名与目录内的图片文件名671.jpg错误拼接，大概率是路径处理逻辑或加载函数的问题，同时需先确认Google Drive是否正确挂载。

一、先完成Google Drive的正确挂载 #

在Colab环境中，必须先执行挂载授权才能访问Drive文件：

from google.colab import drive
drive.mount('/content/drive')

执行后按照提示完成授权操作，确保Drive目录能在Colab左侧文件管理器中正常访问。

二、检查路径有效性 #

手动验证路径：打开Colab左侧文件管理器，导航至/content/drive/MyDrive/Dataset/images/images/train/，确认存在angry、disgust等子目录，且每个目录下有对应的图片文件。注意Linux系统路径区分大小写，确保目录名拼写完全一致。

三、推荐高效加载方案（TensorFlow内置方法） #

使用tf.keras.utils.image_dataset_from_directory可以自动按子目录分类加载数据集，无需手动逐个类别处理，更稳定高效：

import tensorflow as tf

# 训练集根目录路径
train_dir = '/content/drive/MyDrive/Dataset/images/images/train'

# 加载数据集
train_ds = tf.keras.utils.image_dataset_from_directory(
    train_dir,
    image_size=(48, 48),  # 表情数据集常用48x48尺寸，根据实际情况调整
    batch_size=32,
    label_mode='categorical'  # 多分类任务用categorical，二分类用binary
)

# 查看数据集信息
class_names = train_ds.class_names
print(f"数据集类别：{class_names}")
# 查看单批次数据形状
for images, labels in train_ds.take(1):
    print(f"单批次图片形状：{images.shape}")
    print(f"单批次标签形状：{labels.shape}")

四、修复原有代码方案（若坚持自定义加载） #

先实现正确的图片加载函数，同时修正代码中的语法错误：

import numpy as np
from PIL import Image
import os

# 实现正确的批量图片加载函数
def load_images(dir_path):
    images = []
    # 遍历目录下所有图片文件
    for filename in os.listdir(dir_path):
        if filename.lower().endswith(('.jpg', '.png', '.jpeg')):
            img_path = os.path.join(dir_path, filename)
            # 按需转灰度图（表情数据集常用灰度图）或保留RGB
            img = Image.open(img_path).convert('L')  # 'L'表示灰度图，转RGB用'RGB'
            img = np.array(img)
            # 若为灰度图，添加通道维度，统一形状为(样本数, 高, 宽, 通道数)
            if len(img.shape) == 2:
                img = np.expand_dims(img, axis=-1)
            images.append(img)
    return np.array(images)

# 基础路径
path = '/content/drive/MyDrive/Dataset/images/images'

# 逐个加载类别
angry = load_images(os.path.join(path, 'train', 'angry'))
print('Loaded angry dataset: ', angry.shape)

disgust = load_images(os.path.join(path, 'train', 'disgust'))
print('Loaded disgust dataset: ', disgust.shape)

fear = load_images(os.path.join(path, 'train', 'fear'))
print('Loaded fear dataset: ', fear.shape)

happy = load_images(os.path.join(path, 'train', 'happy'))
print('Loaded happy dataset: ', happy.shape)

neutral = load_images(os.path.join(path, 'train', 'neutral'))
print('Loaded neutral dataset: ', neutral.shape)

sad = load_images(os.path.join(path, 'train', 'sad'))
print('Loaded sad dataset: ', sad.shape)

surprise = load_images(os.path.join(path, 'train', 'surprise'))
print('Loaded surprise dataset: ', surprise.shape)

# 合并所有数据集（numpy的vstack仅接受一个数组序列参数）
dataA = np.vstack([angry, disgust, fear, happy, neutral, sad, surprise])
print('Combined dataset shape: ', dataA.shape)

内容的提问来源于stack exchange，提问作者Jacob