Teachable Machine训练模型无法根据人物切换class index问题

从输出日志可见，无论镜头前是哪位人物，模型预测结果中第二个类别（class1）的概率始终接近100%，导致class index一直为1。这说明模型输入预处理不符合训练要求，或训练数据存在偏差，以下是具体解决步骤：

1. 补充图像归一化处理 #

Teachable Machine训练图像模型时，会将输入像素值归一化到[0,1]区间（即像素值除以255），但你的代码中缺少这一步，导致输入数据分布和训练时不一致。在图像reshape前添加归一化：

img = img / 255.0

2. 修正人脸裁剪错误 #

代码中裁剪人脸的区域写错了，应该使用x:x+w（宽度方向）而非x:x+h，否则会裁剪出包含非人脸区域的错误图像，干扰模型识别：

crop_img = imgOrignal[y:y+h, x:x+w]

3. 转换图像通道顺序 #

OpenCV读取的图像是BGR格式，而Teachable Machine训练时使用的是RGB格式，通道顺序不匹配会导致模型无法正确提取特征，需要转换通道：

img = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)

4. 检查训练数据与标签对应关系 #

• 确认Teachable Machine中两个类别的标签是否和代码中的get_className函数对应：比如是否训练时将numan设为class1、tony设为class0，导致标签反转。
• 检查numan（class0）的训练样本是否充足、多样化（覆盖不同角度、光照、表情），如果样本数量远少于tony（class1），模型会自然偏向样本更多的类别。

修正后的关键代码片段 #

while True:
    sucess, imgOrignal=cap.read()
    faces = facedetect.detectMultiScale(imgOrignal,1.3,5)
    for x,y,w,h in faces:
        # 修正裁剪区域
        crop_img = imgOrignal[y:y+h, x:x+w]
        img = cv2.resize(crop_img, (224,224))
        # BGR转RGB
        img = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)
        # 归一化处理
        img = img / 255.0
        img = img.reshape(1, 224, 224, 3)
        prediction=model.predict(img)
        classIndex = np.argmax(prediction,axis=1)
        probabilityValue=np.amax(prediction)
        # 后续绘制代码不变

内容的提问来源于stack exchange，提问作者numan kaya