Keras非序列9分类图像模型获取类别标签异常：预期category6得0.05920969

看起来你遇到的核心问题是多输出模型的预测结果结构没搞对——带Bounding Box的图像识别模型通常是多输出模型（一个输出对应分类概率，另一个对应边界框坐标），而你当前的代码默认model.predict()返回的是单一的分类概率数组，这就导致后续取np.argmax(pred[0])时，实际取的可能是边界框输出里的某个数值，自然得不到正确的类别标签。

再加上你提到预期输出是category6却得到了0.05920969这个数值，说明你误把某个概率值当成了类别索引的结果，本质还是没正确提取分类输出部分。

具体解决步骤 #

1. 先确认你的模型输出结构 #

首先运行以下代码查看模型的输出层信息，搞清楚哪个输出是分类结果，哪个是边界框：

model.summary()

你会看到类似这样的输出（示例）：

...
output_1 (Dense)              (None, 9)                4617       
output_2 (Dense)              (None, 4)                2052       
...

这里output_1是9分类的概率输出（形状(None,9)），output_2是边界框的4个坐标输出（形状(None,4)）。

2. 修改预测代码，正确提取分类输出 #

多输出模型调用model.predict()时，返回的是一个列表，列表中的每个元素对应一个输出层的预测结果。你需要把分类输出和边界框输出分开，再处理分类部分：

修改你的predict_labels函数：

def predict_labels (event,context):
    img_url = event['imageUrl']
    img_id = event['id']
    human_id = event['humanId']
    img_path = '/tmp/img'
    os.system('curl -o ' + img_path + ' ' + img_url)
    new_image = load_image(img_path)
    # 多输出模型：拆分分类和边界框预测结果
    pred_category, pred_bbox = model.predict(new_image)
    # 从分类概率中取最大值对应的类别
    class_idx = np.argmax(pred_category[0])
    sonuc = kategoriler[class_idx]
    response = {
        'id' : img_id,
        'humanId' : human_id,
        'clothes' : {
            'category' : sonuc,
            'subCategory' : '-'
        },
        'pred_category': str(pred_category),
        'pred_bbox': str(pred_bbox)
    }
    return json.dumps(response)

注意：如果你的模型输出顺序和示例相反（比如先输出边界框再输出分类），要把pred_category, pred_bbox换成pred_bbox, pred_category，以匹配model.summary()里的输出顺序。

3. 验证类别列表的顺序是否和训练时一致 #

另外要确保kategoriler的顺序和你训练时的类别顺序完全一致：

• 如果你用ImageDataGenerator.flow_from_directory训练，类别顺序是按文件夹名称字母升序排列的；
• 如果是手动编码标签，要和训练时labelencoder的编码顺序一致。

如果顺序不对，即使分类索引正确，也会匹配到错误的类别名称。

调试小技巧 #

如果还是有问题，可以在预测后打印这些信息辅助排查：

print("预测结果类型:", type(pred))
print("每个输出的形状:", [p.shape for p in pred])
print("分类概率数组:", pred_category[0])
print("最大概率的索引:", class_idx)

这样就能清楚看到每个部分的数值，快速定位哪里出了问题。

内容的提问来源于stack exchange，提问作者mantaray