Python 我可以同时使用两个图像数据集训练CNN模型吗

我想训练一个同时具有两个图像数据集的CNN模型

数据集1（RGB图像[大小（64,64,3）]->1级：火灾2级：非火灾 数据集2（灰度图像[大小（120120,1）]->1级：火灾2级：非火灾

模型输出：火灾（类）或非火灾（类）

我的数据集链接： 数据集-1：

test_path1='/content/drive/MyDrive/Thesis_Dataset/Devide_Cnn/gt/test'
train_path1='/content/drive/MyDrive/Thesis_Dataset/Devide_Cnn/gt/train'
valid_path1='/content/drive/MyDrive/Thesis_Dataset/Devide_Cnn/gt/valid'

数据集2：

test_path2='/content/drive/MyDrive/Thesis_Dataset/Devide_Cnn/rgb/test'
train_path2='/content/drive/MyDrive/Thesis_Dataset/Devide_Cnn/rgb/train'
valid_path2='/content/drive/MyDrive/Thesis_Dataset/Devide_Cnn/rgb/valid'

我从stackoverflow中找到了samle代码，其中使用的两个数据集是非图像数据，因此我无法理解如何将此代码应用于我自己的问题

**有谁能帮助我如何使用以下示例代码在我的两个数据集上运行fit操作？？？？？？？？？？ *你能告诉我这种方法是否有助于提高准确性吗

stackoverflow的示例代码：（演示如何为两个给定的图像数据集运行fit Operation）

---

我认为您可以使用pandas数据帧，将Dataset1和Dataset2导入单个数据帧，然后将其传递到网络，如果两个数据集具有完全相似的数据，那么您可以直接合并两个数据集。为了精确，你必须先提高数据的质量，然后再使用神经网络

from keras.layers import Conv2D, MaxPooling2D, Input, Dense, Flatten, concatenate
from keras.models import Model
import numpy as np

img_input = Input(shape=(64, 64, 1))  ## branch 1 with image input
x = Conv2D(64, (3, 3))(img_input)
x = Conv2D(64, (3, 3))(x)
x = MaxPooling2D((2, 2))(x)
x = Flatten()(x)
out_a = Dense(64)(x)

num_input = Input(shape=(7,))        ## branch 2 with numerical input
x1 = Dense(8, activation='relu')(num_input)
out_b = Dense(16, activation='relu')(x1)

concatenated = concatenate([out_a, out_b])    ## concatenate the two branches
out = Dense(4, activation='softmax')(concatenated)
model = Model([img_input, num_input], out)
print(model.summary())
model.compile('sgd', 'categorical_crossentropy', ['accuracy'])

### Just for sanity check
X = [np.zeros((1,64,64,1)), np.zeros((1,7))]
y = np.ones((1,4))
model.fit(X, y)
print(model.predict(X))