Python 为什么使用keras和tensorflow进行培训会成功并预测失败？

我训练CNN检测图像上是否存在危险ID（）

我在训练中获得99%的准确率。然后，我尝试从训练集中预测图片，但没有给出正确的估计

你能告诉我这是怎么可能的吗

代码取自Google的猫和狗示例（）：

对于数据集，我将狗复制到猫的身上（这样两个图像集都是相同的），然后在每个以前的猫图片上放置一个危险id：

所以我在狗目录中有“没有危险标识的狗”，在猫目录中有“有危险标识的狗”

输出：

Epoch 15/15
 - 14s - loss: 0.0398 - acc: 0.9910 - val_loss: 0.1332 - val_acc: 0.9760
Dog: [0.9991505] Cat: [0.9996587]
Dog: [0.9996618] Cat: [0.9988152]
Dog: [0.99470115] Cat: [0.99987006]

所以我不知道是否有危险标志：狗的意思是“没有危险标志”，猫的意思是“危险标志”

---

相同的代码适用于原始的猫和狗数据。

因此，如果我正确理解这一点，您的标签“猫”和“狗”实际上应该表示“哈扎德标志存在”和“危险标志不存在”，对吗

我看不到您在任何地方指定标签

你能提供你提到的例子的链接吗

（我通常会将此作为评论发表，但我没有足够的代表。）

编辑：在我看来，你的标签有问题。

---

我要做的第一件事是验证您的培训数据是否正确标记。它似乎只是简单地将不同文件夹中的文件视为不同的标签。

因此，如果我正确理解这一点，您的标签“猫”和“狗”实际上应该表示“哈扎德标志存在”和“危险标志不存在”，对吗

我看不到您在任何地方指定标签

你能提供你提到的例子的链接吗

（我通常会将此作为评论发表，但我没有足够的代表。）

编辑：在我看来，你的标签有问题。

---

我要做的第一件事是验证您的培训数据是否正确标记。它似乎只是将不同文件夹中的文件视为不同的标签。

代码似乎是正确的。这可能不是代码的问题，而是数据的问题。验证集的分布可能不同于训练集

---

为了验证，您应该用训练集的一部分替换who验证集，并运行代码以查看算法是否运行良好。如果这个“假”验证的准确性低，那就是代码的问题。否则，您应该考虑一种更好的分割数据的方法。代码似乎是正确的。这可能不是代码的问题，而是数据的问题。验证集的分布可能不同于训练集

---

为了验证，您应该用训练集的一部分替换who验证集，并运行代码以查看算法是否运行良好。如果这个“假”验证的准确性低，那就是代码的问题。否则，您应该考虑一种更好的分割数据的方法。问题在于cv2.imread（）的字节顺序是蓝-绿-红，而ImageDataGenerator使用红-绿-蓝

解决方案：

def prepare_frame(frame):
    frame = cv2.cvtColor(frame, cv2.COLOR_BGR2RGB) # <- correct byte order!!!
    frame = cv2.resize(frame, (150, 150))
    frame = np.expand_dims(frame, axis=0)
    frame = np.asarray(frame, dtype='int32')
    frame = frame / 255
    return frame

def prepare_帧（帧）：
frame=cv2.cvtColor（frame，cv2.COLOR_BGR2RGB）#问题在于cv2.imread（）的字节顺序是蓝绿色-红色，而ImageDataGenerator使用红绿色-蓝色

解决方案：

def prepare_frame(frame):
    frame = cv2.cvtColor(frame, cv2.COLOR_BGR2RGB) # <- correct byte order!!!
    frame = cv2.resize(frame, (150, 150))
    frame = np.expand_dims(frame, axis=0)
    frame = np.asarray(frame, dtype='int32')
    frame = frame / 255
    return frame

def prepare_帧（帧）：
frame=cv2.cvt颜色（frame，cv2.COLOR_BGR2RGB）#是的，你是对的。我已经添加了到原始问题的链接：“[ImageDataGenerator]（）：”…类列表将根据目录下的子目录名称/结构自动推断，其中每个子目录将被视为不同的类（映射到标签索引的类的顺序将是字母数字）。“是的，你是对的。我添加了原始问题的链接：标签应该由[ImageDataGenerator]处理（）：“…类列表将根据目录下的子目录名称/结构自动推断，其中每个子目录将被视为不同的类（类的顺序将映射到标签索引，将是字母数字顺序）。“我提供了一个答案，但我删除了它，在重新阅读问题后，我了解你做了什么，所以答案没有更新。我提供了一个答案，但我删除了它，在重新阅读问题后，我了解你做了什么，所以答案没有更新。谢谢你的评论。我使用了每个类别（猫、狗）随机选择的300张训练图像作为新的验证数据。这使得700张图像（每个类别）用于培训，300张用于验证。不幸的是，结果仍然是一样的：培训期间的准确率非常高，没有任何预测（培训）数据集。在这种情况下，我认为您的代码一定有问题，特别是在评估性能时。我目前认为这与训练20个图像的批处理和预测单个图像有关。这让我想知道为什么它与原始数据集一起工作-我正在调查。感谢您的评论。我使用了300个每个类别（猫、狗）随机选择的训练图像作为新的验证数据。这使得700个图像（每个类别）用于训练，300个用于验证。不幸的是，结果仍然相同：训练期间的准确率非常高，在同一个（训练）上没有任何预测数据集。在这种情况下，我认为您的代码一定有问题，特别是在评估性能时。我目前认为这与训练20幅图像的批处理和预测单个图像有关。这让我想知道为什么它与原始数据集一起工作-我正在调查。