多类别图像分类CNN模型全类别输出相同结果问题排查

核心问题1：预处理不一致（最高概率诱因） #

你在训练阶段通过ImageDataGenerator的rescale=1/255把输入像素值归一化到了[0,1]区间，但预测阶段加载图像后没有做相同的归一化操作，模型拿到和训练分布完全不符的输入，自然会输出错误的固定结果
修复方法：预测时对输入做相同的归一化，代码调整如下：

def predictImage(filename):
    img1 = image.load_img(filename,target_size=(150,150))
    plt.imshow(img1)
    Y = image.img_to_array(img1)
    # 新增归一化步骤，和训练预处理逻辑保持一致
    X = np.expand_dims(Y,axis=0) / 255.0
    val = model.predict(X)
    print(val)
    # 可新增类别索引输出方便校验
    print("预测类别：", np.argmax(val))

核心问题2：训练参数配置错误 #

• 你硬编码了steps_per_epoch = 250，如果你的训练集总样本数/批次大小32的结果远小于250，生成器会强制重复采样，导致训练效果异常，建议改为自动计算的步数：steps_per_epoch = len(train_dataset)
• 当前只设置了10轮训练，对于图像分类任务大概率没有收敛，可调整到20-30轮，同时加入早停回调防止过拟合

核心问题3：类别不平衡 #

如果你的训练数据中第二类样本占比极高（比如超过90%），模型会直接学习到"预测第二类就能拿到最高准确率"的偷懒逻辑，表现为所有输入都输出第二类结果。
排查&修复：

1. 执行print(np.unique(train_dataset.classes, return_counts=True))查看三类样本占比
2. 如果存在不平衡，引入类别权重再训练：

from sklearn.utils.class_weight import compute_class_weight
import numpy as np

class_weights = compute_class_weight(
    class_weight='balanced',
    classes=np.unique(train_dataset.classes),
    y=train_dataset.classes
)
class_weight_dict = {i: class_weights[i] for i in range(len(class_weights))}

# 训练时传入类别权重
model.fit(
    train_dataset,
    steps_per_epoch = len(train_dataset),
    epochs = 20,
    validation_data = test_dataset,
    class_weight=class_weight_dict
)

注：fit_generator在新版TensorFlow中已弃用，直接用fit即可支持生成器输入。

附加排查项 #

• 执行print(train_dataset.class_indices)确认三个类的索引对应关系是否符合你的预期，避免索引对应错误导致你误判输出结果
• 检查数据集目录结构是否符合flow_from_directory的要求：训练/测试文件夹下每个类别对应一个独立子文件夹，确认flow_from_directory执行后输出Found N images belonging to 3 classes，避免目录结构错误导致标注异常
• 如果训练准确率很高但验证准确率极低，说明模型过拟合，可在Flatten()层后加入Dropout(0.5)层，同时给训练集的ImageDataGenerator增加随机翻转、平移等数据增强逻辑，提升泛化能力

内容的提问来源于stack exchange，提问作者Vanshita Garg