如何为训练好的Python TensorFlow模型输入批次并转换cv2图像为预测批次

这问题我之前也碰到过！核心就是要让预测时的图像数据和训练时ImageDataGenerator输出的完全对齐，差一点都会直接拉垮预测效果。我给你拆解具体步骤和可复用的代码：

flow_from_directory在训练时会做一系列隐式的预处理，预测时必须手动复现这些操作，不能只简单把图像转成数组就丢给模型。

步骤1：修正颜色通道顺序（最容易踩的坑！） #

OpenCV的cv2.imread()读取的图像是BGR通道顺序，但flow_from_directory默认用PIL加载图像，是RGB顺序。通道顺序不对的话，模型看到的颜色完全是乱的，预测结果必然离谱：

import cv2
import numpy as np

# 读取你已经裁剪好的人脸图像
img = cv2.imread("your_cropped_face.jpg")
# 转换为训练时用的RGB通道
img_rgb = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)

步骤2：匹配训练时的图像尺寸 #

确保你的裁剪后图像和训练时target_size参数完全一致（比如训练时设的是(160,160)），如果裁剪后尺寸有偏差，必须手动resize：

# 替换成你训练时设置的target_size
target_size = (160, 160)
img_resized = cv2.resize(img_rgb, target_size)

步骤3：复刻训练时的预处理逻辑 #

这一步要严格和你训练时ImageDataGenerator的配置对应，常见两种情况：

情况A：训练时用了rescale归一化 #

比如训练代码是：

from keras.preprocessing.image import ImageDataGenerator
train_datagen = ImageDataGenerator(rescale=1./255)

那预测时必须做完全相同的归一化：

img_normalized = img_resized / 255.0

情况B：训练时用了preprocessing_function #

比如用了预训练模型的专属预处理函数：

from keras.applications.resnet50 import preprocess_input
train_datagen = ImageDataGenerator(preprocessing_function=preprocess_input)

那预测时也要用同一个函数处理：

img_preprocessed = preprocess_input(img_resized)

步骤4：扩展为批次维度 #

模型的predict()方法只接受批次数据（形状为(batch_size, height, width, channels)），而单张图像是(height, width, channels)，所以需要扩展维度：

# 把单张图像变成(1, 160, 160, 3)的批次格式
img_batch = np.expand_dims(img_preprocessed, axis=0)

步骤5：执行预测并解析结果 #

现在就可以用训练好的模型正常预测了：

# 假设你的训练好的模型是model
predictions = model.predict(img_batch)

# 如果是二分类（sigmoid输出），提取概率值
probability = predictions[0][0]
# 如果是多分类（softmax输出），提取概率最高的类别索引
predicted_class_idx = np.argmax(predictions[0])

验证技巧：确保数据格式完全对齐 #

可以把Generator输出的训练图和你处理后的预测图对比，确认数值一致：

# 从训练目录取一张图，用Generator加载
train_generator = train_datagen.flow_from_directory(
    'your_train_dir',
    target_size=target_size,
    batch_size=1
)
gen_img, _ = next(train_generator)
# 对比Generator输出的图和你处理后的图，数值应该几乎一致
print(np.allclose(gen_img[0], img_preprocessed, atol=1e-3))  # 正常会输出True

内容的提问来源于stack exchange，提问作者Fellon