ロジスティック回帰のエラー[X has 64 features, but LogisticRegression is expecting 2500 features as input.]について

前提・実現したいこと

自作したデータセットを用いて、
入力した画像が犬か猫かを判別するプログラムを作成したいです。

学習させて、精度を求めるところまで、作成できたのですが、
画像を読み込んで、predictするとエラーが発生しました。

発生している問題・エラーメッセージ

X has 64 features, but LogisticRegression is expecting 2500 features as input.
翻訳：
Xには64の機能がありますが、LogisticRegressionは入力として2500の機能を期待しています。

該当のソースコード

画像をテストデータにして、predictするプログラム。

Python
import cv2
import matplotlib.pyplot as plt
%matplotlib inline
 
def predict_digit(filename):
    #画像を読み込む
    my_img = cv2.imread(filename)
    plt.imshow(my_img)
    plt.show()
    
    #グレースケールに変換する
    my_img = cv2.cvtColor(my_img, cv2.COLOR_BGR2GRAY)
    
    # 8 * 8のサイズに変換する
    my_img = cv2.resize(my_img,(8,8))
#     plt.imshow(my_img)
#     plt.show()
    
    #白黒反転する
    my_img = 15 - my_img // 16
    plt.imshow(my_img)     #画像を貼り付ける
    plt.axis('off')        #グラフのメモリを消す
    plt.show()             #画像を表示する
    
    # print(my_img)
    #二次元を一次元に変換
    my_img = my_img.reshape((-1,64))
    res = clf.predict(my_img)
    return res[0]
 
n = predict_digit("dog.jpg")
print("dog.jpg = " + str(n))

学習して、精度を出すまでのプログラム

Python3
#集めた画像データを学習データにする
import matplotlib.pyplot as plt
import os
import cv2
import random
import numpy as np
DATADIR = "C:/Users/19t339/Documents/work/犬と猫/PetImages"
CATEGORIES = ["Dog", "Cat"]
IMG_SIZE = 50
training_data = []
def create_training_data():
    for class_num, category in enumerate(CATEGORIES):
        path = os.path.join(DATADIR, category)
        for image_name in os.listdir(path):
            try:
                img_array = cv2.imread(os.path.join(path, image_name), cv2.IMREAD_GRAYSCALE)  # 画像読み込み
                img_resize_array = cv2.resize(img_array, (IMG_SIZE, IMG_SIZE))  # 画像のリサイズ
                training_data.append([img_resize_array, class_num])  # 画像データ、ラベル情報を追加
            except Exception as e:
                pass
create_training_data()
random.shuffle(training_data)  # データをシャッフル
X_train = []  # 画像データ
y_train = []  # ラベル情報
# データセット作成
for feature, label in training_data:
    X_train.append(feature)
    y_train.append(label)
# numpy配列に変換
X_train = np.array(X_train)
y_train = np.array(y_train)

#変数の名前を分かりやすくする
X = X_train
y = y_train


#画像データの次元を3次元から2次元へ落としている
X= X.reshape(len(X), -1).astype(np.float64)
y= y.reshape(len(y), -1).astype(np.float64)


#学習データとテストデータのシャッフル
from sklearn.model_selection import ShuffleSplit
ss = ShuffleSplit(n_splits=1,
                  train_size=0.8,
                  test_size=0.2, 
                  random_state=0)

train_index, test_index = next(ss.split(X,y))

X_train, X_test = X[train_index], X[test_index]
y_train, y_test = y[train_index], y[test_index]

#学習と精度評価
from sklearn import linear_model
clf = linear_model.LogisticRegression(solver='liblinear')

clf.fit(X_train,y_train)
clf.score(X_test,y_test)