Klasyfikacja obrazów przy użyciu Keras flow_from_dataframe

Pracuję nad problemem klasyfikacji obrazu wieloosobowego za pomocą Kerasa. Obrazy trenowe i testowe znajdują się w 2 osobnych folderach I.e. trening_set & amp; zestaw testowy. Mam też 2 plik CSV Train.CSV i Test.csv który zawiera szczegóły obrazów. Używam metody Keras Flow_from_DataFrame.

Poniżej podaję kod, którego używam do tego zadania. Daje to wynik walidacji krzyżowej na poziomie około 75%, ale na zestawie testowym wyniki są bardzo słabe (dokładność tylko 20%). Wiem, że overfitting jest jedną z możliwości, ale myślę też, że w poniższym kodzie brakuje mi również kilku ważnych szczegółów (może być wrt imagedatagenerator). Ponieważ kiedy próbuję rozwiązać inną klasyfikację obrazów za pomocą flow_from_dataframe, również otrzymuję bardzo słabe wyniki na zestawie testowym.

Czy ktoś może mi poprowadzić, czego brakuje lub dostarczam wskaźników.

model = Sequential()
model.add(Conv2D(32, (3, 3), input_shape=(64, 64, 3)))
model.add(Activation('relu'))
model.add(MaxPooling2D(pool_size=(2, 2)))

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

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

model.add(Flatten())  # this converts our 3D feature maps to 1D feature vectors

model.add(Dense(64))
model.add(Activation('relu'))
model.add(Dropout(0.5))
model.add(Dense(6))
model.add(Activation('softmax'))

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

# this is the augmentation configuration we will use for training
train_datagen = ImageDataGenerator(rescale=1./255,
                                   shear_range=0.20,
                                   zoom_range=0.20,
                                   horizontal_flip=True,
                                   vertical_flip=True)

# this is the augmentation configuration we will use for testing:
test_datagen = ImageDataGenerator(rescale=1./255)

train_generator = train_datagen.flow_from_dataframe(dataframe=train_df,
                                                    directory='train/',
                                                    x_col='image_name',
                                                    y_col='label',
                                                    has_ext=True,
                                                    seed=42,
                                                    target_size=(64, 64),
                                                    batch_size=16,
                                                    shuffle=False,
                                                    class_mode='categorical')

test_generator = test_datagen.flow_from_dataframe(dataframe=test_df,
                                                  directory='test/Test set/',
                                                  x_col='image_name',
                                                  y_col=None,
                                                  has_ext=True,
                                                  target_size=(64, 64),
                                                  class_mode=None,
                                                  batch_size=1,
                                                  shuffle=False, 
                                                  seed=42)

STEP_SIZE_TRAIN=train_generator.n//train_generator.batch_size

model.fit_generator(generator=train_generator,
                    steps_per_epoch=STEP_SIZE_TRAIN,
                    epochs=10)

test_generator.reset()
pred = model.predict_generator(test_generator, verbose=1)
predicted_class_indices = np.argmax(pred, axis=1)
labels = train_generator.class_indices
labels = dict((v,k) for k,v in labels.items())
predictions = [labels[k] for k in predicted_class_indices]

test_df['label'] = pd.DataFrame(data=predictions)
submission_df.to_csv('submission.csv', index=False)