不均衡データに対して精度の偏りを減少させたい

前提

kerasを用いて画像分類をしているのいるのですが、データに偏りのある不均衡データを用いて学習しているため偏りをなくしたいと考えています。
そのため、imbalanced-learnを用いて少数派データのOver sampling（SMOTE）か少数派クラスに重み（重要度）を付与？させる方法を考えています。
とりあえず、SMOTEの方をプログラムで実現しようとしてます。
画像枚数が、aに13926枚,bに31865枚,cに24686枚,dに1897枚,eに293枚,fに1708枚入っており、それぞれのサイズとしては画像枚数,縦,横,チャンネル数となっています。

実現したいこと

・少数派データのOver sampling（SMOTE）
・少数派クラスに重み（重要度）を付与？させる

発生している問題・エラーメッセージ

ValueError: Found array with dim 4. Estimator expected <= 2.

該当のソースコード

python
1import numpy as np
2from PIL import Image
3import tensorflow as tf
4import time
5import matplotlib.pyplot as plt
6# import os
7# os.environ["CUDA_VISIBLE_DEVICES"] = "-1"
8from tensorflow.keras.models import Model
9from tensorflow.keras.preprocessing import image
10from tensorflow.keras.preprocessing.image import ImageDataGenerator,array_to_img
11from tensorflow.keras.optimizers import Adam
12from tensorflow.keras.callbacks import EarlyStopping, LearningRateScheduler,ReduceLROnPlateau, ModelCheckpoint
13
14Image.MAX_IMAGE_PIXELS = None
15
16#-------切り取り定義-------
17def kiritori(img):
18    img_array=np.array(img,dtype='int16')         #(50行,83列,3次元)の3次元配列
19    a=np.split(img_array,img.height/50)
20    img_data=np.split(a[0],img.width/50,axis=1)#stackする土台づくり
21    for i in range(len(a)-1):
22        img_data=np.vstack([img_data,np.split(a[i+1],img.width/50,axis=1)])
23
24    return img_data
25
26
27#-------切り取り処理（トレーニングデータ）-------
28x_train=kiritori(Image.open('8Gatu_Data/DJI_0513.png'))#(#(1200,100,100,3)
29
30train_label=np.loadtxt(fname='label//8Gatu_513_50.csv',delimiter=',',dtype='int16')#(30, 40)
31train_label=np.reshape(train_label,(train_label.size))
32
33a_train_data            = x_train[np.where(train_label==0)]
34b_train_data            = x_train[np.where(train_label==1)]
35c_train_data            = x_train[np.where(train_label==2)]
36d_train_data            = x_train[np.where(train_label==3)]
37e_train_data            = x_train[np.where(train_label==4)]
38f_train_data            = x_train[np.where(train_label==5)]
39
40
41x_train=a_train_data
42x_train=np.vstack([x_train,b_train_data])
43x_train=np.vstack([x_train,c_train_data])
44x_train=np.vstack([x_train,d_train_data])
45x_train=np.vstack([x_train,e_train_data])
46x_train=np.vstack([x_train,f_train_data])
47
48
49###-------テストデータ処理-------###
50val_test=kiritori(Image.open('8Gatu_Data/ortho_0809_2022.png'))
51
52test_label=np.loadtxt(fname='label//8Gatu_ortho1_50.csv',delimiter=',',dtype='int16')#(30, 40)
53test_label=np.reshape(test_label,(test_label.size))
54
55a_test_data              = val_test[np.where(test_label==0)]
56b_test_data              = val_test[np.where(test_label==1)]
57c_test_data              = val_test[np.where(test_label==2)]
58d_test_data              = val_test[np.where(test_label==3)]
59e_test_data              = val_test[np.where(test_label==4)]
60f_test_data              = val_test[np.where(test_label==5)]
61
62val_test=a_test_data
63val_test=np.vstack([val_test,b_test_data])
64val_test=np.vstack([val_test,c_test_data])
65val_test=np.vstack([val_test,d_test_data])
66val_test=np.vstack([val_test,e_test_data])
67val_test=np.vstack([val_test,f_test_data])
68
69y_train=np.full((a_train_data.shape[0],1),0)
70y_train=np.vstack([y_train,np.full((b_train_data.shape[0],1),[1])])
71y_train=np.vstack([y_train,np.full((c_train_data.shape[0],1),[2])])
72y_train=np.vstack([y_train,np.full((d_train_data.shape[0],1),[3])])
73y_train=np.vstack([y_train,np.full((e_train_data.shape[0],1),[4])])
74y_train=np.vstack([y_train,np.full((f_train_data.shape[0],1),[5])])
75
76y_test=np.full((a_test_data.shape[0],1),[0])
77y_test=np.vstack([y_test,np.full((b_test_data.shape[0],1),[1])])
78y_test=np.vstack([y_test,np.full((c_test_data.shape[0],1),[2])])
79y_test=np.vstack([y_test,np.full((d_test_data.shape[0],1),[3])])
80y_test=np.vstack([y_test,np.full((e_test_data.shape[0],1),[4])])
81y_test=np.vstack([y_test,np.full((f_test_data.shape[0],1),[5])])
82
83# a = []
84
85# for i in range(x_train.shape[0]):    
86#         img = x_train[i]
87#         a.append(img)  
88
89from imblearn.over_sampling import SMOTE
90sm = SMOTE(random_state=42)
91x_train1, y_train1 = sm.fit_sample(x_train, y_train)
92
93x_datagen_partial = image.ImageDataGenerator(     
94                                                rescale = 1./255,
95                                                rotation_range = 180,
96                                                fill_mode="constant",
97                                                vertical_flip = True,
98                                                brightness_range = [0.7, 1.117],
99                                                horizontal_flip = True,
100                                                dtype = np.float64
101                                            )