Сеть классификации изображений Keras всегда предсказывает один класс и остается с точностью 50%

Я работал над сетью Keras, чтобы классифицировать изображения в зависимости от того, содержат ли они светофоры или нет, но до сих пор у меня не было успеха. У меня есть набор данных из 11000+ изображений, и для моего первого теста я использовал 240 изображений (точнее, текстовые файлы для каждого изображения со значениями пикселей в градациях серого). Есть только один выход — 0 или 1, указывающий, есть ли на изображении светофоры.

Однако, когда я провел тест, он предсказал только один класс. Учитывая, что на 53/240 изображениях были светофоры, он достигал примерно 79% точности, потому что все время просто предсказывал 0. Я читал, что это может быть связано с несбалансированными данными, поэтому я уменьшил масштаб всего до 4 изображений — 2 со светофором, 2 без.

Даже с этим тестом он по-прежнему оставался с точностью 50% после 5 эпох; это просто предсказание одного класса! На подобные вопросы были даны ответы, но я не нашел ничего, что работает для меня :(

Вот код, который я использую:

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)

Я надеялся, что по крайней мере он сможет распознать изображения в конце. Я действительно хочу перейти к проведению тренировки на моих полных 11 000 примеров, но на данный момент я не могу заставить его работать с 4.