TensorFlow实现EfficientNet时是否存在数据标签标注错误问题？

1 优先确认标签是否正确 #

• 首先取消样本可视化代码的注释，运行后检查输出的9张图的标签是否和实际类别匹配，确认image_dataset_from_directory读取的标签逻辑没有问题
• 检查代码中打印类信息的输出，确认num_classes的值为3，class_names对应你设置的三个类别。如果num_classes为1，说明你的训练集目录结构错误：image_dataset_from_directory是从train_dir下的直接子文件夹读取类别，如果你把三个类别的文件夹放在了train_dir下的另一个子文件夹中，会被识别为只有1个类别
• 统计训练集全量标签分布，运行如下代码确认三类样本数符合你预期的12000、8000、12000：

import numpy as np
labels = []
for _, batch_label in train_ds:
    labels.extend(batch_label.numpy())
print(np.unique(labels, return_counts=True))

如果输出只有一类标签，说明你的数据集目录结构配置错误，所有样本都被识别为了同一个类别。

2 独热编码逻辑验证 #

你提供的独热编码代码本身没有逻辑问题，可运行如下代码确认转换后的标签格式正确：

for imgs, onehot_labels in train_ds.take(1):
    print(onehot_labels[:10])

正常输出应该包含[1,0,0]、[0,1,0]、[0,0,1]三种格式的标签，如果只有同一种格式的独热码，说明上游标签读取环节已经出错。

3 其他可能问题排查 #

• 你在image_dataset_from_directory中已经指定了image_size参数，后续额外的resize操作是多余的，可删除避免不必要的性能损耗，但该操作不会导致标签错误
• 检查你定义的img_augmentation逻辑是否存在问题，比如是否将所有输入图像处理为了完全相同的内容，导致模型只能学到单一输出
• 如果标签确认完全正确，可先解冻部分EfficientNet的顶层参数参与训练，避免仅训练顶层时拟合能力不足或出现走捷径的情况

内容的提问来源于stack exchange，提问作者MontyP