“ValueError：无法将 NumPy 数组转换为张量（不支持的对象类型 numpy.ndarray）。在 TensorFlow CNN 中进行图像分类

Posted 2023-02-23

【中文标题】“ValueError：无法将 NumPy 数组转换为张量（不支持的对象类型 numpy.ndarray）。在 TensorFlow CNN 中进行图像分类

【英文标题】："ValueError: Failed to convert a NumPy array to a Tensor (Unsupported object type numpy.ndarray). In TensorFlow CNN for image classification

【发布时间】：2021-07-25 10:05:53

【问题描述】：

我一直在研究用于图像分类的 CNN，但我一直遇到同样的错误，我的数据正在加载到数据帧中，我无法将其转换为张量以将其输入 CNN。如您所见，我使用此代码将图片加载到数据框中：

for i in range(len(merged)):
    full_path = merged.iloc[i]['Image Path Rel']
    filename = full_path[-22:-1] + 'G'
    try:
        img = img_to_array(load_img('D:/Serengeti_Data/Compressed/Compressed/' + filename, target_size=(32,32,3)))
    except:
        img = np.zeros((32,32,3), dtype=np.float32)
        images = images.append('Capture Id' : merged.iloc[i]['Capture Id'],'Image' : img, ignore_index = True)
    else:
        images = images.append('Capture Id' : merged.iloc[i]['Capture Id'],'Image' : img, ignore_index = True)

然后，一旦我使用 load_img() 和 img_to_array() 加载了图像，我就进行了整形以获得所需的 (32,32,3) 形状。还通过将 Image 列除以 255 来标准化值。

然后我这样做是为了尝试将它变成张量：

train_tf = tf.data.Dataset.from_tensor_slices(images['Image'])

# Also tried this, but didn't got the same results:
# train_tf = tf.convert_to_tensor(train_df['Image'])

但不断收到错误：

ValueError: 无法将 NumPy 数组转换为张量（不支持的对象类型 numpy.ndarray）

我也尝试跳过它并尝试立即适应我们的模型，但得到了完全相同的错误：

trying_df = pd.DataFrame(images['Image'])
target_df = pd.DataFrame(targets)

animal_model = models.Sequential()

animal_model.add(layers.Conv2D(30, kernel_size = (3,3), padding = 'valid', activation = 'relu', input_shape =(32,32,3)))
animal_model.add(layers.MaxPooling2D(pool_size=(1,1)))

animal_model.add(layers.Conv2D(60,kernel_size=(1,1),activation = 'relu'))

animal_model.add(layers.Flatten())

animal_model.add(layers.Dense(100, activation = 'relu'))
animal_model.add(layers.Dense(10, activation = 'softmax'))

## compiler to model
animal_model.compile(loss = 'categorical_crossentropy', metrics = ['accuracy'], optimizer ='adam')

## training the model
animal_model.fit(trying_df,target_df, batch_size = 128, epochs = 15)

animal_model.summary() 

TensorFlow 版本：2.4.1

Numpy 版本：1.19.5

熊猫版本：1.0.1

【问题讨论】：

阵列/图像很可能在形状上有所不同。

【参考方案1】：

为了加载图片，您可以使用以下代码：

image = cv2.imread(filename)
image = cv2.cvtColor(image, cv2.COLOR_BGR2RGB)

为了调整图像大小和缩放，最好让模型“融入”预处理功能。

IMG_SIZE = 180

resize_and_rescale = tf.keras.Sequential([
  layers.experimental.preprocessing.Resizing(IMG_SIZE, IMG_SIZE),
  layers.experimental.preprocessing.Rescaling(1./255)
])
model = tf.keras.Sequential(
    [
        resize_and_rescale,
        layers.Conv2D(32, 3, activation="relu"),
        layers.MaxPooling2D(),
        layers.Conv2D(64, 3, activation="relu"),
        layers.MaxPooling2D(),
        layers.Conv2D(128, 3, activation="relu"),
        layers.MaxPooling2D(),
        layers.Flatten(),
        layers.Dense(128, activation="relu"),
        layers.Dense(len(class_names), activation="softmax"),
    ]
)
model.compile(
    optimizer="adam",
    loss=tf.losses.SparseCategoricalCrossentropy(from_logits=True),
    metrics=["accuracy"],
)

注意： 处理图像时使用 tf.Data 而不是 numpy 数组。您可以使用以下代码作为示例：https://github.com/alessiosavi/tensorflow-face-recognition/blob/90d4acbea8f79539826b50c82a63a7c151441a1a/dense_embedding.py#L155