如何安全删除X_train与y_train中的空数组 解决图像分类模型训练报错

方案1：对现有X_train、y_train按对齐索引安全过滤 #

你当前的normalize_image函数处理失败时会返回None，导致最终生成的X_train为object类型数组，混入了无效空对象，首先生成布尔掩码匹配有效样本，再用同一掩码同时过滤X和y即可保证索引对齐：

import numpy as np

# img_size为你定义的图像缩放尺寸，比如224
img_size = 你的图像尺寸

# 生成有效样本掩码：判断元素非空，且形状符合图像输入要求
valid_mask = np.array([
    x is not None and x.shape == (img_size, img_size, 3) 
    for x in X_train
])

# 用同一掩码同时过滤X和y，保证样本与标签严格对齐
X_train_valid = X_train[valid_mask]
y_train_valid = y_train[valid_mask]

# 将过滤后的object数组堆叠为标准数值数组，适配模型输入要求
X_train_valid = np.stack(X_train_valid)

过滤后X_train_valid的形状为(有效样本数, img_size, img_size, 3)，y_train_valid形状为(有效样本数, 28)，可直接传入模型训练。

方案2：从数据生成阶段规避无效样本（更推荐） #

不需要先生成全量数据集再过滤，生成阶段直接跳过处理失败的样本，同时保证标签对齐：

import numpy as np
import cv2

X = []
y = []
# imgs_data为你的原始图像数据列表，y_raw为对应顺序的原始标签列表
for img_data, label in zip(imgs_data, y_raw):
    try:
        processed_img = np.array(cv2.resize(
            img_data.get_pixels(), 
            (img_size, img_size)
        )).astype("float32") / 255.0
        X.append(processed_img)
        y.append(label)
    except Exception:
        # 可按需打印错误日志排查坏样本
        continue

# 直接生成标准格式的训练数组，无无效元素
X_train = np.array(X)
y_train = np.array(y)

报错原因说明 #

你遇到的ValueError: setting an array element with a sequence错误，是因为模型训练时期望输入为固定维度的数值张量，而你原始的X_train为object类型数组，内部元素形状不统一、混入空对象，无法被转换为合法的输入张量。

内容的提问来源于stack exchange，提问作者ison