初心者です。pythonで画像認識アプリを制作中、その際のエラー解消方法

出ているエラーメッセージを入力
````ValueError                                Traceback (most recent call last)
<ipython-input-2-1ab0ccdfbb4b> in <cell line: 28>()
     29     img = cv2.imread("/content/drive/MyDrive/MLData/images_apple/薄い/"
     30                      + path_lightapple[i])
---> 31     b, g, r = cv2.split(img)
     32     img = cv2.merge([r, g, b])
     33     img = cv2.resize(img, (img_size, img_size))

ValueError: not enough values to unpack (expected 3, got 0)

Google Colaboratoryとの連携

from google.colab import drive
drive.mount('/content/drive')

学習用データと検証用データの作成

# ライブラリのインポート
import os
import cv2
import numpy as np
import matplotlib.pyplot as plt
from tensorflow.keras.utils import to_categorical
from tensorflow.keras.layers import Dense, Dropout, Flatten, Input
from tensorflow.keras.applications.vgg16 import VGG16
from tensorflow.keras.models import Model, Sequential
from tensorflow.keras import optimizers

# Googleドライブのファイルパスを指定する。
path_lightapple = os.listdir("/content/drive/MyDrive/MLData/images_apple/薄い")
path_darkapple = os.listdir("/content/drive/MyDrive/MLData/images_apple/濃い")
path_hurtlightapple = os.listdir("/content/drive/MyDrive/MLData/images_apple/薄 傷")
path_hurtdarkapple = os.listdir("/content/drive/MyDrive/MLData/images_apple/濃 傷")

# 画像を格納するリストの作成
img_lightapple = []
img_darkapple = []
img_hurtlightapple = []
img_hurtdarkapple = []

# 各カテゴリの画像サイズを変換してリストに保存
img_size = 50  # 画像サイズ：50×50

# 画像の読み込みと正規化
for i in range(len(path_lightapple)):
    img = cv2.imread("/content/drive/MyDrive/MLData/images_apple/薄い/"
                     + path_lightapple[i])
    b, g, r = cv2.split(img)
    img = cv2.merge([r, g, b])
    img = cv2.resize(img, (img_size, img_size))
    img_lightapple.append(img / 255.0)  # 正規化

for i in range(len(path_darkapple)):
    img = cv2.imread("/content/drive/MyDrive/MLData/images_apple/濃い/"
                     + path_darkapple[i])
    b, g, r = cv2.split(img)
    img = cv2.merge([r, g, b])
    img = cv2.resize(img, (img_size, img_size))
    img_darkapple.append(img / 255.0)  # 正規化

for i in range(len(path_hurtlightapple)):
    img = cv2.imread("/content/drive/MyDrive/MLData/images_apple/薄 傷/"
                     + path_hurtlightapple[i])
    b, g, r = cv2.split(img)
    img = cv2.merge([r, g, b])
    img = cv2.resize(img, (img_size, img_size))
    img_hurtlightapple.append(img / 255.0)  # 正規化

for i in range(len(path_hurtdarkapple)):
    img = cv2.imread("/content/drive/MyDrive/MLData/images_apple/濃 傷/"
                     + path_hurtdarkapple[i])
    b, g, r = cv2.split(img)
    img = cv2.merge([r, g, b])
    img = cv2.resize(img, (img_size, img_size))
    img_hurtdarkapple.append(img / 255.0)  # 正規化


# 新しいセクション

# リンゴの画像をそれぞれ一つのリストに集約、及び正解ラベルを設定する。
X = np.array(img_lightapple + img_darkapple + img_hurtlightapple + img_hurtdarkapple)
y = np.array([0]*len(img_lightapple)  # 0:light apple
           + [1]*len(img_darkapple) # 1:dark apple
           + [2]*len(img_hurtlightapple) # 2:hurt light apple
           + [3]*len(img_hurtdarkapple)) # 3:hurt dark apple

#ラベルをランダムに並び変える。
rand_index = np.random.permutation(np.arange(len(X)))
X = X[rand_index]
y = y[rand_index]

# 学習データを80%、検証データを20％に分割する。
X_train = X[:int(len(X)*0.8)]
y_train = y[:int(len(y)*0.8)]
X_test = X[int(len(X)*0.8):]
y_test = y[int(len(y)*0.8):]

from keras.utils import to_categorical
import numpy as np

# サンプルデータ（適宜実際のデータに置き換えてください）
y_train = np.array([0, 1, 2, 1, 0])
y_test = np.array([2, 0, 1])

# 正解ラベルをone-hotの形にする。
y_train_one_hot = to_categorical(y_train)
y_test_one_hot = to_categorical(y_test)

print("Original labels:")
print(y_train)
print(y_test)

print("\nOne-hot encoded labels:")
print(y_train_one_hot)
print(y_test_one_hot)


モデルの定義と学習

input_tensor = Input(shape=(img_size, img_size, 3))
vgg16 = VGG16(include_top=False, weights='imagenet', input_tensor=input_tensor)

# モデルの定義
top_model = Sequential()
top_model.add(Flatten(input_shape=vgg16.output_shape[1:]))
top_model.add(Dense(256, activation='relu'))
top_model.add(Dropout(rate=0.5))
top_model.add(Dense(32, activation='relu'))
top_model.add(Dropout(rate=0.5))
top_model.add(Dense(2, activation='softmax'))

# VGG16モデルと追加層top_modelの連結。
model = Model(inputs=vgg16.input, outputs=top_model(vgg16.output))

#VGG16の特徴抽出を15層までに固定。
for layer in model.layers[:15]:
    layer.trainable = False

# 損失関数と最適化関数の設定
model.compile(loss='categorical_crossentropy',
              optimizer=optimizers.SGD(learning_rate=1e-4, momentum=0.9),
              metrics=['accuracy'])

# 訓練を実行する
history = model.fit(X_train, y_train, batch_size=64, epochs=50, validation_data=(X_test, y_test))

画像分類の結果と出力

# 画像を受け取り、名称を判別する関数
def pred(img):
    img = cv2.resize(img, (img_size, img_size))
    pred = np.argmax(model.predict(np.array([img])))
    if pred == 0:
        return "cats"
    else:
        return "dogs"

# 精度の評価
scores = model.evaluate(X_test, y_test, verbose=1)
print('Test loss:', scores[0])
print('Test accuracy:', scores[1])

model.summary()

# pred関数に写真を渡して分類を予測
path_pred = os.listdir("/content/drive/MyDrive/MLData/single_prediction")
img = cv2.imread("/content/drive/MyDrive/MLData/single_prediction"
                + path_pred [1])
b,g,r = cv2.split(img)
my_img = cv2.merge([r,g,b])
plt.imshow(my_img)
plt.show()
print(pred(img))

# accuracyとlossのグラフを描画
plt.figure(figsize=(12, 6))
plt.subplot(1, 2, 1)
plt.plot(history.history["accuracy"], label="accuracy", ls="-", marker="o")
plt.plot(history.history["val_accuracy"], label="val_accuracy", ls="-", marker="x")
plt.ylabel("accuracy")
plt.xlabel("epoch")
plt.legend(loc="best")

plt.subplot(1, 2, 2)
plt.plot(history.history["loss"], label="loss", ls="-", marker="o")
plt.plot(history.history["val_loss"], label="val_loss", ls="-", marker="x")
plt.ylabel("loss")
plt.xlabel("epoch")
plt.legend(loc="best")

plt.show()