model.predict выдает одинаковый результат для всех изображений

Я пытаюсь создать модель, используя resnet50, для классификации изображений КТ как covid или нет. Однако при использовании model.predict с заданным изображением она выдает точно одинаковое значение для всех изображений, а именно:

array([[1.,0.]], dtype=float32)

Суммарная информация о модели:

Model: "sequential_2"
_________________________________________________________________
 Layer (type)                Output Shape              Param #   
=================================================================
 resnet50 (Functional)       (None, 2048)              23587712  
                                                                 
 flatten_2 (Flatten)         (None, 2048)              0         
                                                                 
 dropout_2 (Dropout)         (None, 2048)              0         
                                                                 
 dense_2 (Dense)             (None, 2)                 4098      
                                                                 
=================================================================
Total params: 23,591,810
Trainable params: 1,059,842
Non-trainable params: 22,531,968

Моя наивысшая точность была 0.754.

Вот код:

import tensorflow as tf
from tensorflow.keras.preprocessing.image import ImageDataGenerator
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Conv2D, MaxPooling2D
from tensorflow.keras.layers import Activation, Dropout, Flatten, Dense, BatchNormalization
import os
import pandas as pd
import numpy as np
import cv2
from tensorflow.keras.preprocessing.image import ImageDataGenerator
datagen= ImageDataGenerator(rescale=1./255,validation_split=0.2)
from tensorflow.keras.applications.resnet import ResNet50
from tensorflow.keras.applications.vgg19 import VGG19, preprocess_input
#from tensorflow.keras.applications.mobilenet_v2 import MobileNetV2 
from tensorflow.keras.layers import Flatten,Dense,Dropout,BatchNormalization
from tensorflow.keras.models import Model,Sequential
from tensorflow.keras.utils import to_categorical
from tensorflow.keras.layers import Conv2D, MaxPooling2D, BatchNormalization
from tensorflow.keras.layers import PReLU
from tensorflow.keras.optimizers import RMSprop

from tensorflow.keras.callbacks import ReduceLROnPlateau

base_dir = r'\filepath for dataset'
img_h,img_w= (164,164)
batch_size=32
epochs=10


base_model= ResNet50(include_top=False, weights="imagenet",
                                       input_tensor=None, input_shape= 
                                       (img_h,img_w,3),pooling='avg')
 
for layer in base_model.layers[:-7]:
    layer.trainable=False

 
model=Sequential()
model.add(base_model)
model.add(Flatten())
model.add(Dropout(0.4))


model.add(Dense(2,activation='softmax'))
model.summary()

for layer in base_model.layers:
    print(layer,"-->",layer.trainable)

from tensorflow.keras.optimizers import Adam,SGD,Adagrad,Adadelta,RMSprop
from tensorflow.keras.callbacks import ReduceLROnPlateau


reduce_learning_rate = ReduceLROnPlateau(monitor="loss",
                                         factor=0.1,
                                         patience=3,
                                         cooldown=2,
                                         min_lr=1e-10,
                                         verbose=1)

checkpoint =tf.keras.callbacks.ModelCheckpoint(filepath="reswtk.h5", 
                            monitor="val_accuracy",
                            verbose=1,
                            save_best_only=True, 
                            save_weights_only=False, 
                            mode="auto",
                            save_freq='epoch')


import time
class TimeHistory(tf.keras.callbacks.Callback):
    def on_train_begin(self, logs={}):
        self.times = []

    def on_epoch_begin(self, batch, logs={}):
        self.epoch_time_start = time.time()

    def on_epoch_end(self, batch, logs={}):
        self.times.append(time.time() - self.epoch_time_start)

time_callback = TimeHistory()

callbacks = [reduce_learning_rate, checkpoint, time_callback]
optimizer = RMSprop(lr=0.001, rho=0.9, epsilon=1e-08, decay=0.0)
model.compile( loss="categorical_crossentropy",optimizer= optimizer, metrics=['accuracy'])

train_generator = datagen.flow_from_directory(
        base_dir,  # Это исходный каталог для обучающих изображений
        target_size=(img_h, img_w),  
        batch_size=batch_size,
        class_mode="categorical",
        subset="training",
        #color_mode="rgb",
        shuffle=True)


validation_generator = datagen.flow_from_directory(
         base_dir,     
        target_size=(img_h, img_w),
        batch_size=batch_size,
        class_mode="categorical",
        #color_mode="rgb",
        subset="validation",
        shuffle=False)

history = model.fit(
      train_generator,
      steps_per_epoch=train_generator.samples//batch_size, 
      epochs=epochs,
      validation_data=validation_generator,
      validation_steps=validation_generator.samples//batch_size,  
      callbacks=callbacks,
      verbose=1)

model.evaluate(validation_generator,verbose=1)
accu= history.history['val_accuracy']

img = cv2.imread("\filepath to png file") 
image_resized= cv2.resize(img, (img_h,img_w))
img=np.expand_dims(image_resized,axis=0)
y_proba = model.predict(img)
y_classes = y_proba.argmax(axis=-1)
y_proba

вывод для этого:

array([[1.,0.]], dtype=float32)

и вывод для y_classes:

array([0], dtype=int64)

оба остаются неизменными для всех изображений.

Этот код работал первоначально. Однако я попытался установить np_utils через conda, и проблемы начались после этого. Я не уверен, удалил ли я какой-то код или нет.

Изменение значения размера пакета, похоже, сработало. Я установил

batch_size=10

и теперь модель предсказывает правильно. Не суперточно, но, по крайней мере, теперь дает разные предсказания.