如何导入已训练的Keras CNN模型对单张图片进行预测？

嘿，我来帮你搞定这个问题！你已经用ImageDataGenerator完成了模型训练，现在要测试单张图片，核心是让测试图片的预处理逻辑和训练时完全对齐，下面是具体步骤：

1. 加载保存好的模型 #

先把你存的model.h5模型加载进来，用Keras的内置方法就能搞定：

from keras.models import load_model

# 加载训练好的模型
model = load_model('model.h5')

2. 预处理单张测试图片 #

这一步是关键，必须和你训练时ImageDataGenerator的设置完全匹配（比如你用了rescale=1./255和target_size=(image_size, image_size)），具体操作如下：

from keras.preprocessing import image
import numpy as np

# 替换成你训练时实际用的image_size数值
image_size = 224  

# 1. 加载图片：指定和训练一致的尺寸，颜色模式要匹配（训练用RGB就设'rgb'，灰度图设'grayscale'）
img = image.load_img('你的测试图片路径.jpg', target_size=(image_size, image_size), color_mode='rgb')

# 2. 将图片转换为数组格式
img_array = image.img_to_array(img)

# 3. 扩展维度：因为模型默认接受批量输入（形状为 (batch_size, height, width, channels)），所以要手动加一个batch维度
img_array = np.expand_dims(img_array, axis=0)

# 4. 和训练时做同样的归一化处理
img_array /= 255.0

3. 运行预测并解析结果 #

现在可以把预处理好的图片喂给模型，然后解析预测结果了：

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

# 解析结果：因为你训练时用了class_mode='categorical'，predictions是每个类别的概率值
# 如果你之前保存了训练生成器的类别映射，直接用就行；没保存的话可以重新生成一次或者手动定义
# 示例：从训练生成器获取类别映射
# class_indices = train_generator.class_indices
# 反转字典得到「索引→类别名称」的映射
# idx_to_class = {v: k for k, v in class_indices.items()}

# 取概率最高的类别索引
predicted_idx = np.argmax(predictions[0])
# 对应的类别名称
# predicted_class = idx_to_class[predicted_idx]

print(f"各类别预测概率：{predictions[0]}")
print(f"预测类别索引：{predicted_idx}")
# print(f"预测类别名称：{predicted_class}")

重要提醒 #

• 测试图片的颜色通道数必须和训练时一致：比如训练用的是RGB（3通道），就别用灰度图（1通道）测试，否则会报错。
• 测试时不要加训练用的数据增强（比如旋转、翻转），只做尺寸调整和归一化就好，不然会干扰预测结果。
• 如果训练时还做了其他预处理（比如均值减法、标准化），测试时必须完全照搬相同逻辑。

内容的提问来源于stack exchange，提问作者DennisShaw