文本检测CNN调用keras.Sequential.fit报错及txt标注转y_train问题

你遇到的报错首先是x_train_data维度不匹配导致的：你的卷积层要求输入是**(样本数, 64, 64, 3)**的四维张量，但你传入的x_train_data是一维数组，所以触发维度校验失败。你需要先确保输入图像的预处理逻辑正确，读取图像后统一resize到64*64、归一化后整理为四维数组再传入模型。

y_train的格式完全取决于你当前的任务设定，结合你给出的模型结构（输出层1个神经元+sigmoid激活+二分类交叉熵损失），你当前的模型是做单张图片级的二分类任务（比如判断图片是否包含文本），对应的y_train要求为：

• 形状：(训练样本数, 1)
• 取值：每个样本对应的值为0/1，0代表无文本，1代表有文本

如果你要做文本框坐标级的检测任务，现有模型结构不适用，需要调整输出层神经元数量、损失函数，对应的y_train需要存储每个样本对应的文本框坐标信息。

你现有读取标注的代码存在两个致命错误：

1. np.append()不会修改原数组，而是返回新数组，你没有接收返回值，导致y_train_data始终是初始的空数组
2. 你直接将文件对象gtfile传入append，没有读取文件实际内容

修正后的二分类场景标注读取代码示例（注意要和图像读取的顺序完全对应，避免标注和样本不匹配）：

import os
import numpy as np

source_train_gt = '/content/sample_data/y_train'
# 按文件名排序，保证和x_train的样本顺序一一对应
gt_files = sorted(os.listdir(source_train_gt))
y_train_list = []

for file_name in gt_files:
    file_path = os.path.join(source_train_gt, file_name)
    with open(file_path, 'r', encoding='utf-8') as f:
        content = f.read().strip()
    # 规则可根据你的标注逻辑调整：这里假设txt非空代表有文本，标注为1，否则为0
    label = 1 if content else 0
    y_train_list.append(label)

# 转换为numpy数组并调整形状适配模型输入
y_train_data = np.array(y_train_list).reshape(-1, 1)

如果你需要做坐标级文本检测（输出文本在图中的位置），需要做以下调整：

• 修改输出层：将最后一层Dense的units改为4（对应文本框的xmin/ymin/xmax/ymax归一化值），激活函数改为linear，损失函数改为均方误差（MSE）
• 标注处理逻辑改为从txt中读取坐标值，归一化到0-1区间后，y_train整理为形状(训练样本数, 4)的数组
• 单张图有多个文本框的场景需要改用支持多框输出的检测架构（如EAST、YOLO等），或提前将原图切分为多个子图做单框检测。

内容的提问来源于stack exchange，提问作者Nadeem Anwar