TensorFlow衣物分类模型对非训练类图像误预测的解决求助

你的核心问题是模型训练阶段未接触“非衣物”类样本，无法区分目标衣物与无关图像，即使切换到sigmoid激活也无法解决本质问题。以下是具体解决思路与实现方案：

一、添加未知类别样本训练（最根本方案） #

让模型学习区分“衣物类”和“非衣物类”的特征差异：

• 收集人脸、风景、日常物品等非衣物图像作为第14类（命名为unknown），加入训练集与验证集
• 重新训练模型，后续输入非衣物图像时，模型会将其预测为unknown类

修改后的模型输出层（softmax更适合单分类场景）：

# 假设categorys_size更新为14（13类衣物+1类未知）
tf.keras.layers.Dense(categorys_size, activation='softmax')

二、设置置信度阈值过滤（快速临时方案） #

若暂时无法收集未知类样本，可在预测阶段加入阈值判断：

• 针对softmax输出：取最高置信度，仅当该值超过设定阈值（如0.8）时，返回对应衣物类别；否则返回“无法识别”
• 针对sigmoid输出：因属于多标签输出逻辑，需判断最高置信度是否远高于其他类，且超过阈值（如0.7）

修改Android端预测代码，加入阈值判断：

val outputs = aiModel.process(input)
val outputFeature0 = outputs.outputFeature0AsTensorBuffer
val confidences = outputFeature0.floatArray
var maxPos = 0
var maxConfidence = 0f
for (i in confidences.indices) {
    Log.d("Debug","Ai $i: ${confidences[i]}")
    if (confidences[i] > maxConfidence) {
        maxConfidence = confidences[i]
        maxPos = i
    }
}

// 添加阈值判断逻辑
val confidenceThreshold = 0.8f
if (maxConfidence >= confidenceThreshold) {
    Log.d("Prediction", "类别: $maxPos, 置信度: $maxConfidence")
} else {
    Log.d("Prediction", "无法识别该图像")
}

三、优化模型结构，增强泛化能力 #

你的模型全连接层存在冗余（512→256→512），易导致过拟合，对未知图像产生错误高置信度：

• 简化全连接层结构，加入L2正则化与更高比例Dropout：

model = tf.keras.Sequential([
        base_model,  
        tf.keras.layers.BatchNormalization(renorm=True),
        tf.keras.layers.GlobalAveragePooling2D(),
        tf.keras.layers.Dense(512, activation='relu', kernel_regularizer=tf.keras.regularizers.l2(0.01)),
        tf.keras.layers.Dropout(0.3),
        tf.keras.layers.Dense(256, activation='relu', kernel_regularizer=tf.keras.regularizers.l2(0.01)),
        tf.keras.layers.Dropout(0.3),
        tf.keras.layers.Dense(categorys_size, activation='softmax')
])

• 若训练数据充足，可微调base_model的顶部几层（设置base_model.trainable=True后冻结底层，仅训练顶部部分层），让模型更精准学习衣物特征

四、用温度系数调整softmax输出（可选优化） #

若坚持使用softmax，可通过温度系数调整输出分布，放大正确类与错误类的置信度差异：

• 训练时保持原结构，预测时对logit层（输出层前一层）结果除以温度系数T（T越小，分布越陡峭），再应用softmax

示例代码：

# 修改模型，拆分输出层为logit与softmax
model = tf.keras.Sequential([
        base_model,  
        tf.keras.layers.BatchNormalization(renorm=True),
        tf.keras.layers.GlobalAveragePooling2D(),
        tf.keras.layers.Dense(512, activation='relu'),
        tf.keras.layers.Dropout(0.2),
        tf.keras.layers.Dense(256, activation='relu'),
        tf.keras.layers.Dense(categorys_size),  # 无激活函数，输出logit
])

# 预测时应用温度系数
def predict_with_temperature(model, input_data, temperature=0.5):
    logits = model.predict(input_data)
    probabilities = tf.nn.softmax(logits / temperature).numpy()
    return probabilities

内容的提问来源于stack exchange，提问作者YOUSEF -ELSAYED