调用ImageDataGenerator.flow时提示x数组长度不一致的问题排查
问题定位与修正方案
报错触发根因
这个报错和样本计数是否匹配完全无关:你数出来的len(trainX)=66是列表的元素个数,本质是把66个独立的numpy数组打包成了一个列表;当调用aug.flow()时,函数首先需要把这个列表拼接成形状统一的四维numpy数组才能生成批量数据,此时就会发现列表里的数组形状不一致——有的图像宽97像素,有的图像宽205像素,没法拼成连续的矩阵,就抛出了这个长度不匹配的错误。
你之前查阅的同类帖子里的问题,是特征和标签的第一维度(总样本数)不匹配;你当前遇到的是特征数组内部形状不统一,属于完全不同的错误触发场景,所以之前的解决方案没法生效。
现有代码的两处关键疏漏
- 图像读取环节没有做尺寸对齐:你用
cv2.imread读入不同来源的PNG图片后,直接把原图追加到data列表,没有根据模型要求的96×96×3固定输入尺寸做缩放,不同图片的宽高差异从根源上不符合模型的输入规范,就算躲过了数据生成器的报错,后续模型训练时也会触发形状不匹配的错误 - 归一化处理逻辑有缺陷:你写的归一化代码仅对
data列表里的第一张图像单独做了0-1区间缩放,剩下所有读入的图像都没有做归一化,就算解决了尺寸问题,后续训练也会因为输入数值分布差异过大出现收敛异常、精度无法提升的问题
可直接复用的修正步骤
1. 读入图像时强制统一尺寸
在颜色空间转换的代码后,新增缩放逻辑,把所有图像统一到模型要求的尺寸:
im_gbr = cv2.imread(filenames[j]) im = cv2.cvtColor(im_gbr, cv2.COLOR_BGR2RGB) # 新增缩放逻辑,所有图像统一为96*96像素 im = cv2.resize(im, (96, 96), interpolation=cv2.INTER_AREA) data.append(im) labels.append(i)
2. 替换全局归一化逻辑
删掉原来仅处理data[0]的局部归一化代码,在所有图像读入完成后做全局统一归一化:
# 把列表形式的data转为形状统一的numpy数组 data = np.array(data, dtype="float32") # 全局做0-1区间归一化 data = (data - data.min()) / (data.max() - data.min())
3. 提前做合法性校验
在调用数据集划分函数之前,加一行断言校验,提前捕获尺寸不统一的问题,避免问题延后到数据生成器环节才暴露:
# 校验所有样本的形状是否符合模型输入要求 assert data.shape[-3:] == (96, 96, 3), "存在尺寸不统一的输入图像" (trainX, testX, trainY, testY) = train_test_split(data, labels, test_size=0.33, stratify=labels, random_state=42)
按照以上步骤修正后,
aug.flow()在处理输入时可以顺利把所有图像拼接为形状统一的批量张量,不会再触发数组长度不匹配的报错,同时输入的数值分布也会匹配模型的训练要求。
内容的提问来源于stack exchange,提问作者plpm
相关产品推荐
相关产品推荐

