Python 训练图像的准确度良好，但测试的准确度较差

我按照Adrian Rosebrock（multi-label classification）的教程对手指头进行分类，我使用VGGnet模型和Keras库训练了一个模型，训练后显示的图表明该模型应该可以正常工作

该模型仅对训练图像进行了良好的预测，但当我测试来自web的图像时，它给出了错误的预测

• 对训练图像的良好预测：

• 测试图像上的错误预测（来自web）

• 源代码：

EPOCHS=30
初始值=1e-3
BS=16
图像亮度=（1301303）
#抓取图像路径并随机洗牌
打印（“[INFO]正在加载图像…”）
imagePaths=已排序（列表（paths.list_图像（args[“dataset”]））
随机种子（42）
随机.随机（图像路径）
数据=[]
标签=[]
对于imagePath中的imagePath：
#加载图像，对其进行预处理，并将其存储在数据列表中
image=cv2.imread（imagePath）
image=cv2.调整大小（图像，（图像大小[1]，图像大小[0]））
image=img_到_数组（image）
data.append（图像）
l=label=imagePath.split（os.path.sep）[-2].split（“\ux”）
标签。附加（l）
data=np.array（data，dtype=“float”）/255.0
labels=np.array（标签）
打印（“[INFO]数据矩阵：{}图像（{.2f}MB）”。格式(
len（图像路径），data.nbytes/（1024*1000.0）））
打印（“[INFO]类标签：”）
mlb=多标签二进制程序（）
标签=mlb.fit_变换（标签）
对于枚举（mlb.classes）中的（i，标签）：
打印（“{}.{}.”格式（i+1，标签））
（trainX，testX，trainY，testY）=列车测试分割（数据，
标签，测试尺寸=0.2，随机状态=42）
aug=图像数据生成器（旋转范围=25，宽度范围=0.1，
高度移动范围=0.1，剪切范围=0.2，缩放范围=0.2，
水平翻转=假，填充模式为“最近”）
打印（“[INFO]编译模型…”）
model=SmallerVGGNet.build(
宽度=图像尺寸[1]，高度=图像尺寸[0]，
深度=图像尺寸[2]，等级=透镜（mlb.classes），
finalAct=“乙状结肠”）
opt=Adam（lr=INIT_lr，decay=INIT_lr/EPOCHS）
#使用二进制交叉熵编译模型，而不是
#分类交叉熵——这似乎与我们的直觉相反
#多标签分类，但请记住，这里的目标是
#就是将每个输出标签视为一个独立的伯努利
#分布
compile（loss=“binary\u crossentropy”，optimizer=opt，
指标=[“准确度”]）
#培训网络
打印（“[INFO]培训网络…”）
H=型号。安装\u发电机(
8月流量（第X列、第Y列、批次尺寸=BS），
验证数据=（testX，testY），
每历元步长=len（trainX）//BS，
epochs=epochs，verbose=1）

---

使模型在测试图像上给出错误预测的原因是什么？

您在培训和验证中使用了多少图像？你为什么要使用

binary\u crossentropy”？你有两个以上的类吗？我认为你应该使用

tf.keras.loss.SparseCategoricalCrossentropy`如本文所述。希望这能有所帮助。我遵循了Adrian Rosebrock（在文章中提到）的教程，我不想改变损失函数和优化器算法等指标。我有六个类（0、1、2、3、4、5），对于我设置的图像，20%用于验证，80%用于训练。这表明您的模型“概括”得不好。您提供的信息不足以确定您的问题出在哪里。可能是训练过度，或者超参数调整不当。我注意到的一点是，训练图像不是similar to test one.如果模型在所有图像上都进行了训练，比如你发布的训练图像，那么我相信与其他图像一起会很困难。请提供数据集的链接…你说我没有提供足够的信息来确定正确的问题是什么意思？我发布了描述问题的代码和图像m我知道了。如果您还需要什么，请随时在评论中指出，对于数据集，您可以通过以下链接找到它。您可以尝试对训练数据进行图像增强，如水平翻转，并检查准确性。您在训练和验证中使用了多少图像？为什么使用

二进制交叉熵“？你有两门以上的课吗？我认为您应该使用

tf.keras.loss.sparsecategoricalcrossentity`如本文所述。希望这能有所帮助。我遵循了Adrian Rosebrock（在文章中提到）的教程，我不想改变损失函数和优化器算法等指标。对于我设置的图像，我有六个类（0、1、2、3、4、5），20%用于验证，80%用于培训。这表明您的模型“概括”得不好。您提供的信息不足以确定您的问题是什么。这可能是训练过度，或者超参数调整不当。我注意到的一点是，训练图像与测试图像不相似。如果模型在所有图像上都进行了训练，比如你发布的训练图像，那么我相信在其他图像上会有困难。请提供数据集的链接……我没有提供足够的信息来确定正确的问题是什么意思？我已经发布了描述我遇到的问题的代码和图片。如果您还需要其他信息，请随时在评论中指出。对于数据集，您可以通过以下链接找到它。您是否可以尝试对训练数据进行图像增强，如水平翻转，并检查准确性。