Классификатор Keras возвращает аналогичный вывод для всех предсказаний.

Я завершил обучение модели с точностью 1.000 и валидационной точностью 0.9565. К сожалению, каждый раз, когда я ввожу изображение в свою модель, я получаю один и тот же результат независимо от изображения. Я делаю что-то не так при прогнозировании или во время обучения? W и A — это метки моих классов.

Моя структура папок для генераторов изображений выглядит следующим образом:

images/

a/
a001.jpg.png..
w/
w002.jpg.png..

train_datagen = ImageDataGenerator(
    rescale=1./255,
    shear_range=0.2,
    zoom_range=0.2)

test_datagen = ImageDataGenerator(rescale=1./255)

from keras.models import Sequential
from keras.layers import Conv2D, MaxPooling2D
from keras.layers import Activation, Dropout, Flatten, Dense

model = Sequential()
model.add(Conv2D(32, (3, 3), input_shape=(150, 150,3),padding='same'))
model.add(Activation('relu')) 
model.add(MaxPooling2D(pool_size=(2, 2),padding='same'))

model.add(Conv2D(32, (3, 3),padding='same'))
model.add(Activation('relu'))
model.add(MaxPooling2D(pool_size=(2, 2),padding='same'))

model.add(Conv2D(64, (3, 3),padding='same'))
model.add(Activation('relu'))
model.add(MaxPooling2D(pool_size=(2, 2),padding='same'))

model.add(Flatten())  # это преобразует наши 3D карты признаков в 1D векторы признаков
model.add(Dense(64))
model.add(Activation('relu'))
model.add(Dropout(0.5))
model.add(Dense(1))
model.add(Activation('sigmoid'))

model.compile(loss="binary_crossentropy",
          optimizer="rmsprop",
          metrics=['accuracy'])

batch_size = 64

# это генератор, который будет считывать изображения, найденные в
# подпапках 'data/train' и бесконечно создавать
# партии увеличенных данных изображений
train_generator = train_datagen.flow_from_directory(
    'C:\\Users\\Zahid\\Desktop\\Dataset\\train',  # это целевая директория
    target_size=(150, 150),  # все изображения будут изменены на 150x150
    batch_size=batch_size,
    color_mode="rgb",
    class_mode="binary")  # поскольку мы используем потерю binary_crossentropy, нам нужны бинарные метки

# это аналогичный генератор для валидационных данных
validation_generator = test_datagen.flow_from_directory(
    'C:\\Users\\Zahid\\Desktop\\Dataset\\val',
    target_size=(150, 150),
    batch_size=batch_size,
    color_mode="rgb",
    class_mode="binary")

model.fit_generator(
    train_generator,
    steps_per_epoch=2000 // batch_size,
    epochs=50,
    validation_data=validation_generator,
    validation_steps=800 // batch_size)
model.save_weights('first_try.h5')

img = cv2.imread("C:\\Users\\Zahid\\Desktop\\Data\\TrainingData\\images\\a\\img_0201.jpg.png")
resized_image = cv2.resize(image, (150, 150))
x = img_to_array(resized_image)
x = x.reshape((1,) + x.shape)
x = x/255
print(x.shape)
scores_train = model.predict(x)
print(scores_train)

Поскольку вы используете сигмоид в качестве функции активации в последнем слое, он будет генерировать вывод на основе вероятности; если вероятность выше 50%, то это принадлежит классу “W”, а если ниже 50% — классу “A”. Если вы сможете распечатать вероятность вывода для различных изображений и поделиться ею, это немного поможет нам понять проблему.

Проблема была устранена изменением слоя Dense на 2, тем самым указав два класса, а также заменив функцию активации Sigmoid на Softmax.

Когда вы делите на 255 в прогнозировании, убедитесь, что тип данных является float, а не int или unsigned int. Убедитесь, что вы неявно конвертируете изображение x в float и делите на 255.0 перед прогнозированием. Другими словами, убедитесь, что ваш массив не состоит только из 0. Вы все равно можете использовать Sigmoid для бинарной классификации с 1 слоем Dense. Это должно сработать.