看起来新数据与训练数据的分布不同。看起来训练数据只是一个白色背景的水果，而您传递的新图像是蓝色背景的香蕉图片。该模型可能学到了类似的东西：如果是蓝色图像，则为蓝莓，因此它将蓝色香蕉图片分类为蓝莓。

每当新数据的分布与您训练过的数据不同时，不要指望模型能很好地工作，因为 ML 模型只是插值。

如果您的数据集太小，将无法轻松应用于其他新数据。在这种情况下，您应该：

1. 尝试增加你的训练数据集

   查找新图像并对其进行分类以增加训练数据大小，模型会随着您添加新图像而改进，但这可能会很耗时

2. 使用迁移学习

   找到其他人在类似数据集上构建的模型，并将其用作模型的起点。他们可能已经找到了一个大型训练数据集，在该数据集上构建了一个模型，并将该模型保存到公共位置以供其他人使用并应用于新数据集。需要找到一个建立在与您的数据有些相似的数据集上的模型。

3. 数据增强

   也可以帮助#1，但你仍然需要很多图像来训练。

这是用于迁移学习的一个很好的参考：https ://machinelearningmastery.com/transfer-learning-for-deep-learning/