Keras图像分类网络始终预测一个类别，并保持50％的准确性

我一直在Keras网络上对图像是否包含交通信号灯进行分类，但到目前为止，我的成功为0。我有一个超过11000张图像的数据集，在我的第一次测试中，我使用了240张图像（或者说，每张图像的文本文件都带有灰度像素值）。只有一个输出-0或1表示图像是否包含交通灯。

但是，当我进行测试时，它只能预测一堂课。考虑到53/240张图像带有交通信号灯，它的准确率一直达到79％，因为它一直都在预测0。我读到这可能是由于数据不均衡所致，因此我将图像缩小为仅4张图像-2张带有交通信号灯，2张没有图像。

即使进行了此测试，在经过5个周期后仍保持50％的精度；这只是预言一堂课！类似的问题已经回答，但我还没有找到对我有用的东西:(

这是我正在使用的代码：

from keras.datasets import mnist
from keras import models
from keras import layers
from keras.utils import to_categorical
import numpy as np
import os

train_images = []
train_labels = []

#The following is just admin tasks - extracting the grayscale pixel values
#from the text files, adding them to the input array. Same with the labels, which
#are extracted from text files and added to output array. Not important to performance. 

for fileName in os.listdir('pixels1/'):
    newRead = open(os.path.join('pixels1/', fileName))

    currentList = []
    for pixel in newRead:
        rePixel = int(pixel.replace('\n', ''))/255
        currentList.append(rePixel)
    train_images.append(currentList)

        
for fileName in os.listdir('labels1/'):
    newRead = open(os.path.join('labels1/', fileName))
    line = newRead.readline()
    train_labels.append(int(line))

train_images = np.array(train_images)
train_labels = np.array(train_labels)

train_images = train_images.reshape((4,13689))

#model

model = models.Sequential()

model.add(layers.Dense(13689, input_dim=13689, activation='relu'))
model.add(layers.Dense(13689, activation='relu'))
model.add(layers.Dense(1, activation='softmax'))

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

model.fit(train_images, train_labels, epochs=5, batch_size=1)

我至少希望它最终能够识别图像。我真的很想继续进行我的全部11,000个示例的培训课程，但是目前我无法使其与4一起使用。