代码中的测试集：用于最终的模型性能评估，路径为 "C:\Users\24067\Desktop\peach_split\test"。并不存在标签集

在该代码中，测试集（`test`）确实用于最终的模型性能评估，其路径为 `"C:\Users\24067\Desktop\peach_split\test"`。然而，测试集并没有对应的标签集。具体来说：

- **测试集路径**：`TEST_DATA_DIR = "C:\\Users\\24067\\Desktop\\peach_split\\test"`
- **测试集标签路径**：`TEST_LABEL_PATH = "C:\\Users\\24067\\Desktop\\val_label.json"`

尽管 `TEST_LABEL_PATH` 被定义了，但实际代码中并未使用这个路径来加载测试集的标签。相反，测试集的标签是从 `test_label_path` 中读取的，而这个路径是通过函数参数传递的。

### 测试集处理流程
1. **加载测试图像**：
- 使用 `predict_and_save` 函数加载测试集图像，并将其转换为数组。
- 图像路径从 `test_data_dir` 获取，文件名列表从 `test_label_path` 中读取。

2. **预测和保存结果**：
- 使用训练好的模型对测试集进行预测。
- 将预测结果转换回原始标签格式，并保存到指定的输出路径 `output_path`。

### 相关代码片段

def predict_and_save(test_data_dir, test_label_path, output_path):
    test_images = []
    test_file_names = []
    with open(test_label_path, 'r') as f:
        test_labels_list = json.load(f)
    test_labels = {item['文件名']: item['标签'] for item in test_labels_list if '文件名' in item and '标签' in item}
    
    for file_name in test_labels.keys():
        img_path = os.path.join(test_data_dir, file_name)
        if not os.path.exists(img_path):
            continue
        img = Image.open(img_path).resize((128, 128))
        img_array = np.array(img) / 255.0
        test_images.append(img_array)
        test_file_names.append(file_name)
    
    test_images = np.array(test_images)
    predictions = model.predict(test_images)
    predicted_labels = np.argmax(predictions, axis=1)
    label_map_inv = {v: k for k, v in label_map.items()}
    predicted_labels = [label_map_inv[label] for label in predicted_labels]
    
    submission_df = pd.DataFrame({'文件名': test_file_names, '标签': predicted_labels})
    submission_df.to_csv(output_path, index=False)

# 进行预测并保存结果
predict_and_save(TEST_DATA_DIR, TEST_LABEL_PATH, OUTPUT_PATH)

### 总结
- **测试集路径**：`"C:\Users\24067\Desktop\peach_split\test"`
- **测试集标签**：没有直接的标签集，而是从 `test_label_path` 中读取文件名列表。
- **预测结果**：将预测结果保存到 `submission.csv` 文件中。