我找不到支持文档，但我相信image_dataset_from_directory将数据集的末尾部分作为验证分割。shuffle现在默认设置为True，因此在训练之前对数据集进行了混洗，以避免只使用某些类别进行验证分割。image_dataset_from_directory所做的分割只与训练程序相关。如果您需要（强烈推荐）测试拆分，您应该事先将您的数据拆分为训练和测试。然后，image_dataset_from_directory会将您的训练数据拆分为训练和验证。
我通常取一个较小的百分比（10%）用于训练中的验证，并将原始数据集拆分为80%训练，20%测试。

• 80%培训：
• 72%训练（用于调整网络中的权重）
• 8%训练中验证（仅用于检查每个时期后的模型指标）
• 20%测试（培训过程中从未出现过）

在此问题中，还提供了有关如何拆分目录中的数据的其他信息：Keras split train test set when using ImageDataGenerator

对于分裂成培训和验证，也许你可以这样做。
最主要的一点是保持同一个种子。

train_ds = tf.keras.preprocessing.image_dataset_from_directory(
    directory,
    label_mode='categorical',
    validation_split=0.2,
    subset="training",
    seed=1337,
    color_mode="grayscale",
    image_size=image_size,
    batch_size=batch_size,
)
val_ds = tf.keras.preprocessing.image_dataset_from_directory(
    directory,
    validation_split=0.2,
    subset="validation",
    label_mode='categorical',
    seed=1337,
    color_mode="grayscale",
    image_size=image_size,
    batch_size=batch_size,
)

取自：https://keras.io/examples/vision/image_classification_from_scratch/

您几乎已经得到了答案。关键是使用.take()和.skip()将验证集进一步拆分为两个数据集--一个用于验证，另一个用于测试。如果使用您的示例，则需要执行以下代码行。假设您需要70%用于训练集，10%用于验证集，20%用于测试集。为了完整起见，我还包括了生成训练集的步骤。让我们也分配一些基本变量，这些变量在第一次将整个数据集拆分为训练集和验证集时必须相同。

seed_train_validation = 1 # Must be same for train_ds and val_ds
shuffle_value = True
validation_split = 0.3

train_ds = tf.keras.utils.image_dataset_from_directory(
directory ='etlcdb/ETL9G_IMG/',
image_size = (128, 127),
validation_split = validation_split,
subset = "training",
seed = seed_train_validation,
color_mode = 'grayscale',
shuffle = shuffle_value)

val_ds = tf.keras.utils.image_dataset_from_directory(
directory ='etlcdb/ETL9G_IMG/',
image_size = (128, 127),
validation_split = validation_split,
subset = "validation",
seed = seed_train_validation,
color_mode = 'grayscale',
shuffle = shuffle_value)

接下来，使用tf.data.experimental.cardinality确定验证集中有多少批数据可用，然后将其中的三分之二（30%的2/3 = 20%）移动到测试集中，如下所示。请注意，batch_size的默认值为32（re：文档）。

val_batches = tf.data.experimental.cardinality(val_ds)
test_ds = val_ds.take((2*val_batches) // 3)
val_ds = val_ds.skip((2*val_batches) // 3)

所有这三个数据集（train_ds、val_ds和test_ds）都生成了一批图像以及从目录结构推断出的标签。