CNN分类器预测输入形状不兼容问题求助

核心问题 #

你遇到的输入形状不匹配错误，根源有两个：

1. 模型输入定义冗余：你在模型第一层使用了Reshape((100,100,1))，但训练数据已经是(100,100,1)的灰度图像格式，这不仅多此一举，还导致模型输入形状的推断混乱。
2. 预测时图像维度缺失：OpenCV处理后的图像是(100,100)的二维数组，缺少模型要求的通道维度（(100,100,1)）和批次维度（(1,100,100,1)，Keras的predict方法要求输入是批量数据）。

步骤1：修正模型结构 #

删除多余的Reshape层，直接在模型中明确输入形状。修改createModel方法如下：

def createModel(self):
    #Model
    model = Sequential()
    # 明确输入形状为100x100的单通道灰度图
    model.add(Input(shape=(100,100,1)))

    model.add(Conv2D(64, (3, 3), padding='same'))
    model.add(Activation('relu'))
    model.add(MaxPooling2D(pool_size=(2, 2)))

    model.add(Dropout(0.1))

    model.add(Flatten())
    model.add(Dense(1024))
    model.add(Activation('relu'))
    model.add(Dense(512))
    model.add(Activation('relu'))
    model.add(Dense(64))
    model.add(Activation('relu'))
    model.add(Dense(2))
    model.add(Activation('softmax'))

    # initiate RMSprop optimizer
    opt = keras.optimizers.RMSprop(learning_rate=0.0001)

    # Let's train the model using RMSprop
    model.compile(loss='categorical_crossentropy',
                optimizer=opt,
                metrics=['accuracy'])
    
    return model

步骤2：修正预测时的图像预处理 #

为图像补充缺失的通道维度和批次维度，修改预测代码：

import numpy as np

# 预处理图像
resized_frame = cv2.resize(frame, (100,100))
gray_frame = cv2.cvtColor(resized_frame, cv2.COLOR_BGR2GRAY)
# 增加通道维度：从(100,100) → (100,100,1)
gray_frame = np.expand_dims(gray_frame, axis=-1)
# 增加批次维度：从(100,100,1) → (1,100,100,1)
input_data = np.expand_dims(gray_frame, axis=0)

# 执行预测
print(slouchClassifier.predict(input_data))

你的predict方法无需修改，保持原样即可：

def predict(self, image):
    return self.model.predict(image)

验证逻辑 #

修改后：

• 训练时，image_dataset_from_directory输出的(32,100,100,1)批量数据，完全匹配模型的输入形状。
• 预测时，预处理后的图像是(1,100,100,1)，符合模型要求的输入格式，不会再出现形状不匹配的错误。

内容的提问来源于stack exchange，提问作者Bandar Al Aish