如何针对类别不平衡的二分类任务增强Class1数据优化CNN性能？

针对你遇到的Class2数据量是Class1 6倍的类别不平衡问题，通过针对Class1单独做数据增强来平衡数据分布，是解决模型偏向多数类的有效方法，以下是具体实现方案：

方法1：拆分数据集，为Class1配置专属增强策略 #

Keras原生的flow_from_directory会对所有类别应用相同的增强规则，没法单独提升少数类的增强频次或强度。所以可以手动拆分两类数据，分别处理后再合并：

1. 遍历数据集文件夹，分别收集Class1和Class2的图像路径与标签，生成DataFrame
2. 为Class1配置更强的增强策略（比如增加旋转、缩放范围），Class2用弱增强或仅归一化
3. 用flow_from_dataframe分别创建两类的生成器，再自定义合并生成器，让Class1的输出频次匹配Class2的数量规模

示例代码：

import pandas as pd
import os
from tensorflow.keras.preprocessing.image import ImageDataGenerator

# 生成单类别数据的DataFrame
def get_class_df(class_folder, label):
    img_paths = [os.path.join(class_folder, fname) 
                for fname in os.listdir(class_folder) 
                if fname.lower().endswith(('.png', '.jpg', '.jpeg'))]
    return pd.DataFrame({'image_path': img_paths, 'label': [label]*len(img_paths)})

# 指向训练集下的两类子文件夹
training_dir = "你的训练集路径"
class1_dir = os.path.join(training_dir, "class1")
class2_dir = os.path.join(training_dir, "class2")

# 生成两类的DataFrame
df_class1 = get_class_df(class1_dir, 0)  # Class1标记为0
df_class2 = get_class_df(class2_dir, 1)  # Class2标记为1

# 为Class1配置高强度数据增强
aug_class1 = ImageDataGenerator(
    rotation_range=15,
    height_shift_range=40,
    width_shift_range=40,
    zoom_range=0.15,
    horizontal_flip=True,
    vertical_flip=True,
    fill_mode='reflect',
    rescale=1/255.0
)

# Class2仅做归一化（数据量足够，无需额外增强）
aug_class2 = ImageDataGenerator(rescale=1/255.0)

# 创建两类的生成器
gen_class1 = aug_class1.flow_from_dataframe(
    df_class1,
    x_col='image_path',
    y_col='label',
    target_size=(96, 96),
    color_mode='rgb',
    class_mode='categorical',
    batch_size=64,
    shuffle=True
)

gen_class2 = aug_class2.flow_from_dataframe(
    df_class2,
    x_col='image_path',
    y_col='label',
    target_size=(96, 96),
    color_mode='rgb',
    class_mode='categorical',
    batch_size=64,
    shuffle=True
)

# 自定义合并生成器，让Class1的输出频次是原来的6倍（抵消数量差）
def balanced_generator(gen_minority, gen_majority, minority_mult=6):
    while True:
        # 每次输出6个Class1的batch，再输出1个Class2的batch
        for _ in range(minority_mult):
            x_min, y_min = next(gen_minority)
            yield x_min, y_min
        x_maj, y_maj = next(gen_majority)
        yield x_maj, y_maj

# 最终训练用的生成器
train_generator = balanced_generator(gen_class1, gen_class2)

# 计算训练步数：(Class1数量*6 + Class2数量) // batch_size
steps_per_epoch = (len(df_class1)*6 + len(df_class2)) // 64

方法2：结合类别权重与全局增强（快速补充方案） #

如果不想拆分数据集，可以继续使用你原来的flow_from_directory，但在训练时加入类别权重，让模型对Class1的分类错误施加更重的惩罚，以此抵消数据量差异的影响。

示例代码：

# 计算类别权重：权重 = 总样本数 / (类别数 * 该类样本数)
total_samples = len(df_class1) + len(df_class2)
class_weight = {
    0: total_samples / (2 * len(df_class1)),  # Class1的权重
    1: total_samples / (2 * len(df_class2))   # Class2的权重
}

# 训练模型时传入class_weight参数
model.fit(
    aug_train_gen,
    steps_per_epoch=len(aug_train_gen),
    epochs=15,
    class_weight=class_weight
)

方法3：物理复制Class1图像（简易但不推荐） #

最直接的方式是手动复制Class1的图像文件，让其数量接近Class2，再用原来的增强器训练。但这种方式容易导致模型过拟合（因为只是重复相同样本），仅适合快速验证思路，不推荐用于正式训练。

关键注意事项 #

• 增强策略要适度，避免过度变换导致Class1图像失真，反而降低模型识别能力
• 训练时务必开启shuffle=True，防止模型学习到样本顺序的无效信息
• 优先结合针对性增强+类别权重的方案，能同时平衡数据分布和模型损失权重，效果更稳定

内容的提问来源于stack exchange，提问作者Lorenzo Cutrupi