You need to enable JavaScript to run this app. TensorFlow图像分类训练报错Failed precondition及数据集加载问题求解
优惠活动
大模型
产品
解决方案
定价
更多

TensorFlow图像分类训练报错Failed precondition及数据集加载问题求解

图像分类训练报错排查与优化方案

核心报错根因

  • 所有后续报错的源头是运行输出里的Found 0 images belonging to 0 classes。Keras的flow_from_directory接口有强制结构要求:传入的根路径下,每个一级子文件夹对应一个分类,图片必须存在于这些类别子文件夹中,不能直接堆在根路径下。你当前的训练、测试集图片全堆在根目录,没有二级类别文件夹,生成器扫不到任何有效数据,训练时拿到全0维度的张量,才会抛出InvalidArgumentError: Reduction axis -1 is empty in shape [0,0]的错误。
  • 类别数统计逻辑完全错误:你输出里的NumberOfClass: 11376是无效结果。用glob(train_path + "/*")扫描路径时,把根目录下的所有单个图片文件都识别成了类别文件夹,5万张图扫出1万多个文件当类,统计结果和实际业务完全对不上。
  • 输入维度不匹配:你硬编码模型输入为(224,224,3),但给生成器传的target_size取的是手动加载的单张原图尺寸(即截图里的1440×1080),就算目录结构修正了,模型输入和生成器输出的尺寸不匹配,依然会报维度错误。
  • 冗余缩图逻辑有隐患:写的遍历当前目录缩图的循环,会把项目文件夹下所有匹配后缀的图片全部批量压缩,不仅会混入代码、测试集文件,还会把图像质量压到40,工业检测的微小缺陷细节会被压缩丢失,完全没必要做前置批量压缩。
  • 接口版本过时:fit_generator是TensorFlow 2.x已经废弃的接口,长期使用会出现版本兼容问题。

图像属性调整说明

  • 不需要手动把全部5万张图提前统一改尺寸、压缩质量存到本地。直接靠数据生成器在加载时实时完成缩放即可,能节省大量磁盘空间。
  • 你的原图是工业相机采集的1440×1080 RGB图,分辨率属于常规检测尺寸,只需要在生成器里统一缩到模型输入的224×224即可,不需要强制调整原始分辨率。
  • 如果采集的是单通道灰度图,不要强制转成3通道RGB,按实际通道数调整模型输入的第三维度即可,避免无意义的内存占用。
  • 之前设置的40%压缩质量会损伤关键特征,就算真的要离线压缩,质量值至少设为90。

前置目录整理要求(必须完成才能跑通代码)

严格按照Keras生成器的要求整理目录结构:

  • 训练集根目录Düzgün2/下,为每一个分类建单独的子文件夹(比如Düzgün2/合格样本/、Düzgün2/表面划痕/),把对应类别的训练图片放到对应子文件夹内
  • 测试集根目录Test/下,建和训练集完全同名的类别子文件夹,把对应类别的测试图片放到对应子文件夹内
    所有图片不能直接堆在Düzgün2/或Test/的根目录下,否则生成器永远扫不到数据。

修正后的可运行代码

from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Conv2D, MaxPooling2D, Activation, Dropout, Flatten, Dense
from tensorflow.keras.preprocessing.image import ImageDataGenerator
import os

# 固定配置参数
TRAIN_DIR = "Düzgün2/"
TEST_DIR = "Test/"
IMG_SIZE = (224, 224)  # 统一输入尺寸,适配6G显存的GTX1660Ti
BATCH_SIZE = 32
EPOCHS = 100

# 仅统计二级类别文件夹的数量,不把图片文件识别为类别
class_names = [
    folder for folder in os.listdir(TRAIN_DIR)
    if os.path.isdir(os.path.join(TRAIN_DIR, folder))
]
CLASS_NUM = len(class_names)
print(f"自动识别到的类别总数:{CLASS_NUM}")

# 构建CNN模型
model = Sequential([
    Conv2D(32, (3, 3), input_shape=(IMG_SIZE[0], IMG_SIZE[1], 3)),
    Activation("relu"),
    MaxPooling2D(pool_size=(2, 2)),
    Conv2D(32, (3, 3)),
    Activation("relu"),
    MaxPooling2D(pool_size=(2, 2)),
    Flatten(),
    Dense(1024),
    Activation("relu"),
    Dropout(0.5),
    Dense(CLASS_NUM),
    Activation("softmax")
])

model.compile(
    loss="categorical_crossentropy",
    optimizer="rmsprop",
    metrics=["accuracy"]
)

# 数据增强配置
train_aug = ImageDataGenerator(
    rescale=1./255,
    shear_range=0.3,
    horizontal_flip=True,
    zoom_range=0.3
)
test_aug = ImageDataGenerator(rescale=1./255)

# 加载数据生成器
train_gen = train_aug.flow_from_directory(
    TRAIN_DIR,
    target_size=IMG_SIZE,
    batch_size=BATCH_SIZE,
    color_mode="rgb",
    class_mode="categorical"
)
test_gen = test_aug.flow_from_directory(
    TEST_DIR,
    target_size=IMG_SIZE,
    batch_size=BATCH_SIZE,
    color_mode="rgb",
    class_mode="categorical"
)

# 自动计算训练步长,避免硬编码数值导致训练中断
steps_per_epoch = train_gen.samples // BATCH_SIZE
validation_steps = test_gen.samples // BATCH_SIZE

# 使用新版fit接口替代废弃的fit_generator
model.fit(
    train_gen,
    steps_per_epoch=steps_per_epoch,
    epochs=EPOCHS,
    validation_data=test_gen,
    validation_steps=validation_steps
)

运行注意事项

  • 检查路径末尾的斜杠,Windows系统下不要写错路径分隔符。
  • 如果运行时提示显存不足,把IMG_SIZE从(224,224)降到(128,128),或者把BATCH_SIZE从32降到16,适配6G显存的负载。
  • 如果训练初期准确率卡在随机猜测的水平,先检查目录结构是否正确,避免把图片堆在根目录导致类别识别错误。
  • 不要把图片文件直接当类统计,永远只认文件夹做分类标签。

内容的提问来源于stack exchange,提问作者TTA

相关产品推荐
方舟 Agent Plan

超全模态模型 × Harness 升级,最新支持 Deepseek-V4.1-Flash、GLM-5.3 系列、Doubao-Seedream-5.0-pro、Kimi-K3 (部分), 限时 9.9 元起

最近更新时间:2026.11.13 07:54:04