如何使用TensorFlow加载本地图片进行图像分类？含测试场景适配方法

嘿，既然你已经搞定了训练阶段加载本地图片的方法，那咱们直接聚焦到训练完成后如何加载测试图片的部分，分单张和批量两种场景来说：

一、单张本地图片的测试加载方法 #

如果只是想测试一张图片，核心是要让图片的预处理逻辑和训练时完全对齐，不然预测结果会不准。举个例子：

假设你训练时的ImageDataGenerator是这样配置的（带数据增强和归一化）：

from tensorflow.keras.preprocessing.image import ImageDataGenerator

train_datagen = ImageDataGenerator(
    rescale=1./255,  # 归一化到0-1之间
    rotation_range=20,  # 训练时的旋转增强（测试时不用！）
    horizontal_flip=True  # 训练时的翻转增强（测试时不用！）
)

那测试单张图片时，只需要保留归一化这个核心预处理，代码如下：

from tensorflow.keras.preprocessing.image import load_img, img_to_array
import numpy as np

# 1. 加载图片：尺寸必须和训练时模型的输入尺寸一致（比如224x224）
img = load_img("path/to/your/test_image.jpg", target_size=(224, 224))

# 2. 转成numpy数组
img_array = img_to_array(img)

# 3. 扩展维度：模型默认接受批量输入（shape为(batch_size, height, width, channels)）
img_array = np.expand_dims(img_array, axis=0)

# 4. 应用和训练时一致的归一化
img_array /= 255.0

# 如果你训练时用了预训练模型的专属预处理函数（比如MobileNet的preprocess_input），记得加上这一步
# from tensorflow.keras.applications.mobilenet import preprocess_input
# img_array = preprocess_input(img_array)

# 5. 执行预测
predictions = model.predict(img_array)

# 6. 解析结果：比如取概率最高的类别
predicted_class_idx = np.argmax(predictions, axis=1)[0]
# 如果你有类别标签映射，比如class_names = ["cat", "dog"]，可以直接拿到类别名
# predicted_class_name = class_names[predicted_class_idx]

二、批量测试图片的加载方法 #

如果有一堆测试图片，直接用ImageDataGenerator的flow_from_directory会更高效，前提是你的测试集文件夹结构和训练时一致（比如每个类别对应一个子文件夹）：

test_images/
    cat/
        test_cat1.jpg
        test_cat2.jpg
    dog/
        test_dog1.jpg
        test_dog2.jpg

代码示例：

# 测试用的DataGenerator：只保留归一化，不要加任何数据增强！
test_datagen = ImageDataGenerator(rescale=1./255)

# 生成测试数据生成器
test_generator = test_datagen.flow_from_directory(
    directory="path/to/test_images",
    target_size=(224, 224),  # 和训练时的输入尺寸一致
    batch_size=32,  # 根据你的显存调整
    class_mode="categorical",  # 和训练时的class_mode保持一致（比如训练时用categorical这里就用这个）
    shuffle=False  # 不要打乱顺序，方便后续对应图片文件名和预测结果
)

# 批量预测
test_predictions = model.predict(test_generator)

# 解析结果
predicted_class_indices = np.argmax(test_predictions, axis=1)
true_class_indices = test_generator.classes  # 真实标签的索引
class_labels = list(test_generator.class_indices.keys())  # 类别名和索引的映射

# 比如可以打印前5个预测结果
for i in range(5):
    print(f"图片：{test_generator.filenames[i]}，预测类别：{class_labels[predicted_class_indices[i]]}，真实类别：{class_labels[true_class_indices[i]]}")

几个关键注意事项 #

• 预处理必须严格对齐：训练时用了什么归一化/预处理函数，测试时必须完全一样，比如训练时用了rescale=1./255，测试时不能忘；如果用了预训练模型的preprocess_input，测试时也要调用。
• 测试时禁用数据增强：旋转、翻转、平移这些增强是给训练用的，测试时用了会导致结果失真，所以测试的ImageDataGenerator只保留必要的归一化即可。
• 图片尺寸要匹配：测试图片的target_size必须和训练时模型的输入尺寸完全一致，否则会报错或者预测结果不可靠。
• 单张图片要加batch维度：模型默认接受批量输入，所以单张图片必须用np.expand_dims扩展维度，不然会报错。

内容的提问来源于stack exchange，提问作者Zohaib Hassan