ResNet模型训练后评估预测时遭遇图像重塑错误求助

问题重现 #

训练ResNet完成4类脑部MRI癌症分类后，测试阶段执行图像转换时出现如下错误：

测试代码 #

prediction = []
original = []
image = []
count = 0

for item in range(len(test)):

  img= PIL.Image.open(test['Image'].tolist()[item])
  img = img.resize((256,256))
  image.append(img)
  print(image[item])
  img = np.asarray(img, dtype= np.float32)
  img = img / 255
  img = img.reshape(-1,256,256,3) # 错误发生行
  predict = model.predict(img)
  print(predict)
  predict = np.argmax(predict)
  prediction.append(labels[predict])
  original.append(test['Label'].tolist()[item])

错误信息 #

<ipython-input-48-747eee3f839e> in <module>
     14   img = np.asarray(img, dtype= np.float32)
     15   img = img / 255
---> 16   img = img.reshape(-1,256,256,3)
     17   predict = model.predict(img)
     18   print(predict)

ValueError: cannot reshape array of size 65536 into shape (256,256,3)

错误原因 #

计算可知：256*256=65536，说明你的MRI图像是单通道灰度图（数组形状为(256,256)），但代码里强行将其重塑为3通道形状(256,256,3)，两者元素总数不匹配，因此报错。而ResNet模型训练时大概率是基于3通道图像输入设计的，所以需要将单通道图转换为3通道格式。

解决方案 #

将单通道灰度图复制三次生成3通道图像，再添加batch维度供模型预测。修改后的代码如下：

prediction = []
original = []
image = []
count = 0

for item in range(len(test)):

  img= PIL.Image.open(test['Image'].tolist()[item])
  img = img.resize((256,256))
  image.append(img)
  print(image[item])
  img = np.asarray(img, dtype= np.float32)
  img = img / 255
  
  # 新增：将单通道转为3通道
  if len(img.shape) == 2:  # 确认是单通道灰度图
      img = np.repeat(img[..., np.newaxis], 3, axis=-1)
  
  # 添加batch维度（等效于原reshape(-1,256,256,3)的效果）
  img = img[np.newaxis, ...]
  
  predict = model.predict(img)
  print(predict)
  predict = np.argmax(predict)
  prediction.append(labels[predict])
  original.append(test['Label'].tolist()[item])

关键修改说明 #

• np.repeat(img[..., np.newaxis], 3, axis=-1)：先给单通道数组增加一个维度（变为(256,256,1)），再在最后一个轴上重复3次，得到(256,256,3)的3通道图像。
• img = img[np.newaxis, ...]：添加batch维度，让数组形状变为(1,256,256,3)，符合model.predict()的输入要求（模型需要接收批量数据）。

内容的提问来源于stack exchange，提问作者Khaled