如何使用自有图像数据集与H5模型创建混淆矩阵

核心步骤拆解 #

1. 加载模型与预处理自有数据集

• 加载已训练好的H5模型：

  from tensorflow.keras.models import load_model
  model = load_model("你的模型文件路径.h5")
  

• 预处理自有图像：必须和模型训练时的预处理逻辑完全一致，比如图像尺寸、归一化方式、通道顺序等。举个示例：

  import cv2
  import numpy as np
  
  def preprocess_image(img_path, target_size=(224,224)):
      img = cv2.imread(img_path)
      img = cv2.resize(img, target_size)
      # 若训练时用了归一化到0-1
      img = img / 255.0
      # 若训练时用了通道转换（比如RGB转BGR）
      img = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)
      # 扩展维度适配模型输入
      img = np.expand_dims(img, axis=0)
      return img
  

• 同时整理好所有图像的真实标签，建议用数组存储，比如y_true = [0,1,0,2,...]，标签编码要和训练时一致（比如0对应猫、1对应狗）。

2. 获取模型预测结果

• 遍历自有数据集的所有图像，逐个预处理后喂给模型预测，收集预测标签：

  y_pred = []
  for img_path, true_label in zip(你的图像路径列表, y_true):
      processed_img = preprocess_image(img_path)
      pred_probs = model.predict(processed_img, verbose=0)
      # 取概率最大的类别作为预测标签
      pred_label = np.argmax(pred_probs, axis=1)[0]
      y_pred.append(pred_label)
  # 转成numpy数组方便后续计算
  y_true = np.array(y_true)
  y_pred = np.array(y_pred)
  

• 若数据集规模大，可分批次处理，避免内存占用过高。

3. 计算混淆矩阵

• 用sklearn的工具快速计算：

  from sklearn.metrics import confusion_matrix
  cm = confusion_matrix(y_true, y_pred)
  

4. 可视化混淆矩阵（可选）

• 用热力图直观展示，方便分析分类错误情况：

  import matplotlib.pyplot as plt
  import seaborn as sns
  
  # 替换成你的类别名称列表
  class_names = ["猫", "狗", "鸟"]
  
  plt.figure(figsize=(10, 8))
  sns.heatmap(cm, annot=True, fmt="d", cmap="Blues", 
              xticklabels=class_names, yticklabels=class_names)
  plt.xlabel("预测标签")
  plt.ylabel("真实标签")
  plt.title("混淆矩阵")
  plt.show()
  

关键注意事项 #

• 标签编码一致性：自有数据集的真实标签必须和模型训练时的编码规则完全匹配，不能出现训练时0对应猫、测试时0对应狗的情况。
• 预处理一致性：任何训练时用到的预处理步骤（比如均值减法、通道转换、缩放比例）都要在预测时原样复现，否则预测结果会失真。
• 批量处理优化：如果数据集超过1000张图，建议用批量读取+批量预测的方式，比如一次处理32/64张图，减少IO开销。

内容的提问来源于stack exchange，提问作者อิม อัฐวงศ์