TensorFlow单图推理问题：批量转单图推理无结果

核心问题 #

你的单张图片推理代码存在三个关键问题：

1. Resize操作未生效：PIL的resize()方法返回新的图像对象，原对象不会被修改，你没有将结果赋值给变量，导致裁剪后的图片尺寸还是原始大小。
2. 缺少批量维度：Keras模型的predict()方法要求输入数据包含批量维度（即形状为(batch_size, height, width, channels)），而单张图片转成数组后是(96,96,3)，不符合输入要求。
3. 预处理不一致：批量推理时image_dataset_from_directory默认会将像素值缩放到[0,1]范围，你的单张图片代码没有做同样的归一化，导致模型输入分布不匹配。

修正后的完整代码 #

import numpy as np
from PIL import Image
import tensorflow as tf
from tensorflow.keras.utils import img_to_array

size = 96

# 从数据库获取参数
image_path = "你的图片路径"
xmin, ymin, xmax, ymax = 0, 0, 100, 100  # 替换为实际数据库查询值

# 图片预处理流程
img = Image.open(image_path) 
img_crop = img.crop((xmin, ymin, xmax, ymax))
# 接收resize返回的新对象，确保尺寸生效
img_resized = img_crop.resize((size, size))
# 转数组+归一化（和批量推理预处理对齐）+添加批量维度
img_array = img_to_array(img_resized) / 255.0
img_array = np.expand_dims(img_array, axis=0)  # 形状变为(1,96,96,3)

# 加载模型并推理
model_path = '/Volumes/trained_models/classification/exported-models/mobilenet2_mu_classifier_V0.02'
loaded_model = tf.keras.models.load_model(model_path)

try:
    prediction_logit = loaded_model.predict(img_array, batch_size=1, verbose=1)
    # 沿用批量推理的后处理逻辑
    probabilities = tf.nn.sigmoid(prediction_logit).numpy().flatten()
    predictions = tf.where(probabilities < 0.5, 0, 1).numpy()
    print(f"预测概率: {probabilities[0]}, 预测类别: {predictions[0]}")
except tf.errors.ValueError as e:
    print(f'TF错误详情: {e}')

关键修正点说明 #

• 生效Resize：将img_crop.resize((size,size))改为img_resized = img_crop.resize((size, size))，确保图片尺寸被正确调整。
• 添加批量维度：用np.expand_dims()给数组增加第一个维度，满足模型输入要求。
• 对齐预处理：将像素值除以255.0，和image_dataset_from_directory的默认行为一致（该API会自动将像素从[0,255]缩放到[0,1]）。
• 完善后处理：沿用批量推理时的sigmoid转换和阈值判断，得到最终的类别预测结果。

内容的提问来源于stack exchange，提问作者Tim Fraser