Python 3使用CoreMLTools图片预测报错：'classLabel'未被管道输出

这个错误我之前帮别人排查过，核心问题就是你的代码预期的模型输出和模型实际提供的输出不匹配，咱们一步步来解决：

1. 先搞懂错误到底说啥 #

这句话直白翻译就是：你的Core ML模型（或者它的流水线结构）根本没输出名叫classLabel的特征，但代码默认在找这个输出，所以直接报错了。大概率是你代码里写的输入/输出名称和模型真实的对不上，或者模型转换时没配置好输出。

2. 第一步：查清模型的真实输入输出特征名 #

先运行这段代码，把模型的输入输出底儿摸清楚：

import coremltools
model = coremltools.models.MLModel('/path/to/mlmodel/file.mlmodel')
spec = model.get_spec()

# 打印模型所有输入特征的名称
print("模型输入特征：")
for inp in spec.description.input:
    print(f"- {inp.name}")

# 打印模型所有输出特征的名称
print("\n模型输出特征：")
for out in spec.description.output:
    print(f"- {out.name}")

运行后你就能明确两个关键信息：

• 你的模型是不是真的没有classLabel这个输出？
• 你代码里用的输入键'd'，是不是和模型实际要求的输入名称一致？

3. 修正代码，匹配模型的真实输入输出 #

假设上面的输出显示，模型输入名称是image，输出名称是predictions，那把代码改成这样就行：

import coremltools
from PIL import Image

# 加载图片：注意要和模型要求的尺寸、通道顺序匹配，比如很多分类模型需要224x224的RGB图
img = Image.open('/path/to/jpg/file.jpg')
# 如果尺寸不对，先调整：img = img.resize((224, 224))

model = coremltools.models.MLModel('/path/to/mlmodel/file.mlmodel')
# 用模型真实的输入名称传递图片
result = model.predict({'image': img})
# 用模型真实的输出名称获取结果
print(result['predictions'])

4. 如果模型确实没有分类输出？检查转换过程 #

要是发现模型输出里完全没有类似分类标签的特征，那问题出在原模型（比如TensorFlow/PyTorch）转Core ML的环节：

• 如果是分类模型，转换时一定要指定分类标签配置。比如用coremltools.convert时可以这么写：

import coremltools as ct
# 假设你的PyTorch模型是model_pt
coreml_model = ct.convert(
    model_pt,
    inputs=[ct.ImageType(name="image", shape=(-1, 224, 224, 3))],
    classifier_config=ct.ClassifierConfig(class_labels=["猫", "狗", "鸟"])
)
coreml_model.save("my_classifier.mlmodel")

这样转出来的模型才会自动生成classLabel作为分类输出特征。

额外提醒 #

• 图片预处理要和原模型对齐：比如有些模型要求图片归一化到[0,1]或者[-1,1]，或者需要BGR通道顺序（Core ML一般默认RGB，但还是要和训练时的预处理一致）。
• 如果是流水线模型，要检查每个环节的输出是否正确传递到了最终输出端，避免中间环节丢失特征。

内容的提问来源于stack exchange，提问作者Carter