使用image_dataset_from_directory加载数据集时能否获取对应图片文件名？

该需求完全可以实现。默认调用image_dataset_from_directory仅返回（图像, 标签）二元组，没有包含文件路径信息，只需修改数据集加载逻辑，同步返回对应图像的文件路径即可，具体操作如下：

步骤1：修改数据集加载参数 #

TF 2.4及以上版本的image_dataset_from_directory提供了return_paths参数，设置为True后会返回（图像, 标签, 文件路径）三元组，路径和对应图像、标签始终一一绑定，即使开启shuffle也不会错位。
修改后的加载代码：

VALIDATION_DATASET = image_dataset_from_directory(
    VALIDATION_DIR,
    shuffle=True,
    batch_size=BATCH_SIZE,
    image_size=IMG_SIZE,
    return_paths=True  # 新增参数，开启文件路径返回
)

原有数据集拆分、prefetch优化逻辑无需修改。

步骤2：修改测试阶段代码，同步收集路径、标签、预测结果 #

无需手动拆分多个batch单独预测，直接遍历测试数据集统一收集所有数据即可，示例代码如下：

import numpy as np
import tensorflow as tf
from sklearn.metrics import classification_report
import pandas as pd

# 加载模型
model_name = r"C:\model\location\pre_trained_model.h5"
model = tf.keras.models.load_model(model_name)

# 初始化列表存储全量数据
all_file_paths = []
all_true_labels = []
all_pred_labels = []

# 遍历测试集批量处理
for image_batch, label_batch, path_batch in test_dataset:
    # 收集当前批次的文件路径和真实标签
    all_file_paths.extend(path_batch.numpy().astype(str))
    all_true_labels.extend(label_batch.numpy())
    # 生成预测结果
    pred = tf.where(tf.nn.sigmoid(model.predict_on_batch(image_batch).flatten()) < 0.5, 0, 1)
    all_pred_labels.extend(pred.numpy())

# 输出分类报告
classificationRPRT = classification_report(all_true_labels, all_pred_labels, target_names=CLASSES_NAMES)
print(classificationRPRT)

# 导出比对表到CSV，方便后续和人工标注结果核对
result_df = pd.DataFrame({
    "文件路径": all_file_paths,
    "真实分类": [CLASSES_NAMES[i] for i in all_true_labels],
    "模型预测分类": [CLASSES_NAMES[i] for i in all_pred_labels]
})
result_df.to_csv("图像分类结果比对表.csv", index=False, encoding="utf-8-sig")

低版本TF兼容方案 #

如果使用的TF版本低于2.4，没有return_paths参数，可以手动构造数据集实现相同效果：

import pathlib

# 读取所有图像路径和对应标签
val_root = pathlib.Path(VALIDATION_DIR)
all_image_paths = [str(p) for p in val_root.glob("*/*")]
CLASSES_NAMES = sorted([item.name for item in val_root.glob("*/") if item.is_dir()])
label_map = {name: idx for idx, name in enumerate(CLASSES_NAMES)}
all_labels = [label_map[pathlib.Path(p).parent.name] for p in all_image_paths]

# 定义图像预处理函数，同步返回路径
def preprocess(path, label):
    img = tf.io.read_file(path)
    img = tf.image.decode_jpeg(img, channels=3)
    img = tf.image.resize(img, IMG_SIZE)
    return img, label, path

# 构造数据集
VALIDATION_DATASET = tf.data.Dataset.from_tensor_slices((all_image_paths, all_labels))
VALIDATION_DATASET = VALIDATION_DATASET.map(preprocess, num_parallel_calls=tf.data.AUTOTUNE)
VALIDATION_DATASET = VALIDATION_DATASET.shuffle(len(all_image_paths)).batch(BATCH_SIZE)

后续拆分数据集、测试逻辑和上面的高版本方案完全一致。

内容的提问来源于stack exchange，提问作者Thulfiqar