使用tf.keras加载图像数据集时提示‘找到0个文件0个类别’的解决方法

问题背景 #

你的数据集结构如下：

DATASET/
ejercicio1/
    train/
        frames/
            ejercicio1_train_0001.jpg
            ejercicio1_train_0002.jpg
            ...
    test/
        frames/
            ejercicio1_test_0001.jpg
            ejercicio1_test_0002.jpg
            ...
    val/
        frames/
            ejercicio1_val_0001.jpg
            ejercicio1_val_0002.jpg
            ...
ejercicio2/
    ...（结构同ejercicio1）

执行代码时路径已被正确识别，但TensorFlow返回提示：Found 0 files belonging to 0 classes。

核心原因 #

tf.keras.utils.image_dataset_from_directory的默认逻辑要求：传入的目标目录下，必须直接包含以类别命名的子文件夹，每个子文件夹内放置对应类别的图片。而你的代码传入的是.../frames目录，该目录下直接存放图片文件，没有类别子文件夹，导致函数无法识别类别，因此返回0类0文件。

解决方案 #

方案一：调整数据集结构（推荐） #

根据你的分类任务目标，选择对应的结构调整方式：

情况1：以ejercicio作为分类类别

如果你的任务是区分ejercicio1、ejercicio2等类别，重新组织数据集为TensorFlow标准格式：

DATASET/
    train/
        ejercicio1/
            ejercicio1_train_0001.jpg
            ejercicio1_train_0002.jpg
            ...
        ejercicio2/
            ejercicio2_train_0001.jpg
            ...
    test/
        ejercicio1/
            ejercicio1_test_0001.jpg
            ...
        ejercicio2/
            ...
    val/
        ejercicio1/
            ...
        ejercicio2/
            ...

修改代码中目录指向，将train_dir改为os.path.join(DATASET_DIR, TRAIN_DIR_NAME)，直接传入包含类别子文件夹的目录即可。

情况2：每个ejercicio是独立分类任务

如果每个ejercicio内部包含多个分类类别，需要在frames目录下为每个类别创建子文件夹：

DATASET/
ejercicio1/
    train/
        frames/
            clase1/
                ejercicio1_train_0001.jpg
                ...
            clase2/
                ejercicio1_train_xxx.jpg
                ...
    test/
        frames/
            clase1/
                ...
            clase2/
                ...
    val/
        frames/
            clase1/
                ...
            clase2/
                ...
ejercicio2/
    ...（同理）

此时原代码的目录路径无需修改，函数会自动识别frames下的子文件夹为类别。

方案二：手动加载图片（不修改数据集结构） #

如果无法调整数据集结构，可手动遍历图片文件并分配标签，替代image_dataset_from_directory：

def create_custom_dataset(directory, img_size, batch_size, class_label):
    # 筛选目录下的图片文件
    image_extensions = ('.jpg', '.jpeg', '.png', '.bmp')
    image_paths = [
        os.path.join(directory, f) 
        for f in os.listdir(directory) 
        if f.lower().endswith(image_extensions) and os.path.isfile(os.path.join(directory, f))
    ]
    
    if not image_paths:
        print(f"No se encontraron imágenes en: {directory}")
        return None
    
    # 定义图片加载与预处理逻辑
    def load_and_preprocess(path):
        img = tf.io.read_file(path)
        img = tf.image.decode_jpeg(img, channels=3)
        img = tf.image.resize(img, img_size)
        # 根据你的模型调整预处理方式，这里以MobileNetV2为例
        img = tf.keras.applications.mobilenet_v2.preprocess_input(img)
        return img, class_label
    
    # 构建数据集
    dataset = tf.data.Dataset.from_tensor_slices(image_paths)
    dataset = dataset.map(load_and_preprocess, num_parallel_calls=tf.data.AUTOTUNE)
    dataset = dataset.shuffle(buffer_size=len(image_paths)).batch(batch_size).prefetch(tf.data.AUTOTUNE)
    return dataset

# 修改主逻辑部分
train_datasets = []
test_datasets = []
val_datasets = []
exercise_names = [d for d in os.listdir(DATASET_DIR) if os.path.isdir(os.path.join(DATASET_DIR, d))]
# 为每个ejercicio分配独热编码标签（对应原代码的categorical模式）
class_count = len(exercise_names)
class_label_map = {name: tf.one_hot(idx, depth=class_count) for idx, name in enumerate(exercise_names)}

for exercise in exercise_names:
    class_label = class_label_map[exercise]
    train_dir = os.path.join(DATASET_DIR, exercise, TRAIN_DIR_NAME, FRAME_DIR_NAME)
    test_dir = os.path.join(DATASET_DIR, exercise, TEST_DIR_NAME, FRAME_DIR_NAME)
    val_dir = os.path.join(DATASET_DIR, exercise, VAL_DIR_NAME, FRAME_DIR_NAME)

    print(f"Ruta de entrenamiento: {train_dir}")
    print(f"Ruta de prueba: {test_dir}")
    print(f"Ruta de validación: {val_dir}")

    if os.path.exists(train_dir):
        train_dataset = create_custom_dataset(train_dir, IMG_SIZE, BATCH_SIZE, class_label)
        if train_dataset:
            train_datasets.append(train_dataset)
    if os.path.exists(test_dir):
        test_dataset = create_custom_dataset(test_dir, IMG_SIZE, BATCH_SIZE, class_label)
        if test_dataset:
            test_datasets.append(test_dataset)
    if os.path.exists(val_dir):
        val_dataset = create_custom_dataset(val_dir, IMG_SIZE, BATCH_SIZE, class_label)
        if val_dataset:
            val_datasets.append(val_dataset)

原代码问题总结 #

原代码传入image_dataset_from_directory的目录是.../frames，该目录下直接存放图片，没有按类别划分的子文件夹，不符合函数的预期输入结构，因此无法识别类别和图片。

内容的提问来源于stack exchange，提问作者Adri