解决卷积神经网络测试集正确率低

问题描述

在运用卷积神经网络进行图像识别的过程中，将数据集分为训练集与验证集，首先进行模型的训练，最终模型在训练集与验证集上的正确率均达到0.999，将训练好的模型保存到本地，测试过程中直接读取本地模型对视频帧进行图像识别，正确率却远达不到0.999，即模型在训练集与验证集上的正确率很高，但在测试集上的正确率却很低。

可能的原因

1. 测试集与训练集的图片尺寸不一致；
2. 测试集与训练集的数组维度不一致；
3. 数据未归一化，训练过程中图像为归一化数据，即 float 类型，而测试用图像未归一化，为 int 型。

• 以上原因会使程序报错或造成测试正确率低的情况，然而我在确认没有上述原因后，仍然存在测试集正确率低的问题。

最终的原因

在反复对比测试集与训练集，确定不存在上述原因后，考虑可能是视频可视化过程中发生了错误，由于验证集的正确率很高，故对验证集进行可视化测试，探究是否为可视化的问题。通过 cv2.imshow() 方法展示验证集，终于发现了问题所在。即测试集与验证集的图像数据通过 plt.imread() 方法读取，色彩空间为 RGB ，然而在对视频进行可视化时，通过 cv2.VideoCapture() 方法读取视频并进行切帧用于测试，色彩空间为 BGR ，测试集与训练集的色彩空间不一致，出现了识别率低的问题。

结论

训练集与测试集的图形数据通过不同方法读取，图形数据的色彩空间不一致，通过 cv2.cvtColor() 方法进行色彩空间的转换后传入模型进行测试，最终得到了与训练集与验证集近乎一致的正确率。