Keras多标签分类：sigmoid+binary_crossentropy能否用flow_from_directory？

其实不用非要写自定义批量生成器！flow_from_directory确实是为单标签分类设计的（一个文件夹对应一个类别，每张图片只能属于一个文件夹），但对于多标签分类场景，Keras已经提供了更合适的工具——flow_from_dataframe，用它就能轻松配合sigmoid+binary_crossentropy实现多标签分类，比自己写生成器省心多了。

为什么flow_from_directory不适合直接用？ #

因为它的核心逻辑是**“图片所在的文件夹就是它的唯一标签”**，而多标签分类中一张图片对应多个标签，显然没法把一张图片同时放到N个文件夹里（硬要这么做会浪费存储空间，还容易出错），所以直接用flow_from_directory确实走不通。

替代方案：用flow_from_dataframe实现多标签分类 #

步骤很简单：

1. 准备一个CSV文件，记录每张图片的文件名和对应的所有标签。比如格式可以是这样：

   filename,labels
   img_001.jpg,cat;dog
   img_002.jpg,bird;cat
   img_003.jpg,dog
   

2. 把CSV里的标签转换成模型需要的二进制格式（每个标签对应一列，1表示存在该标签，0表示不存在）。
3. 用ImageDataGenerator的flow_from_dataframe方法生成批量数据，配合你的多标签模型。

举个具体的代码示例：

import pandas as pd
from tensorflow.keras.preprocessing.image import ImageDataGenerator

# 读取标签CSV
df = pd.read_csv("image_labels.csv")

# 拆分标签列，生成每个标签的二进制列
all_labels = ["cat", "dog", "bird"]
df["labels"] = df["labels"].str.split(";")
for label in all_labels:
    df[label] = df["labels"].apply(lambda x: 1 if label in x else 0)

# 初始化数据生成器（带数据增强和验证集拆分）
datagen = ImageDataGenerator(rescale=1./255, validation_split=0.2)

# 训练集生成器
train_generator = datagen.flow_from_dataframe(
    dataframe=df,
    directory="./images",  # 图片存放的根目录
    x_col="filename",      # 图片文件名所在的列
    y_col=all_labels,      # 多标签对应的列
    target_size=(224, 224),
    batch_size=32,
    class_mode="raw",      # 因为y_col是多个数值列，用raw返回数组格式的标签
    subset="training",
    shuffle=True
)

# 验证集生成器同理
val_generator = datagen.flow_from_dataframe(
    dataframe=df,
    directory="./images",
    x_col="filename",
    y_col=all_labels,
    target_size=(224, 224),
    batch_size=32,
    class_mode="raw",
    subset="validation",
    shuffle=False
)

然后你的模型输出层就可以设置为：

model.add(Dense(len(all_labels), activation="sigmoid"))
model.compile(optimizer="adam", loss="binary_crossentropy", metrics=["accuracy"])

什么时候需要自定义生成器？ #

如果你的数据集有非常特殊的读取逻辑（比如需要实时处理复杂的标签格式、或者图片存储在非本地路径等），这时候才需要考虑写自定义生成器。但绝大多数多标签分类场景，flow_from_dataframe完全能搞定，没必要重复造轮子。

内容的提问来源于stack exchange，提问作者mrgloom