比较使用ImageDataGenerator()和cv2.imread()加载数据的解决方法可以基于以下几个方面进行比较：

1. 数据加载速度：ImageDataGenerator()生成器可以在训练过程中实时加载和增强图像数据，而cv2.imread()需要一次性将所有数据加载到内存中。因此，在处理大型数据集时，ImageDataGenerator()通常具有更好的性能。

2. 图像增强功能：ImageDataGenerator()提供了多种图像增强功能，如旋转、翻转、缩放、平移等，可以增强模型的泛化能力。而cv2.imread()只提供了图像加载功能，并不具备图像增强的能力。

3. 内存占用：ImageDataGenerator()在训练过程中只需要加载和处理一小部分图像数据，而cv2.imread()将所有图像数据加载到内存中。因此，ImageDataGenerator()对内存的占用更小。

下面是使用ImageDataGenerator()和cv2.imread()加载数据的代码示例：

使用ImageDataGenerator()加载数据：

from tensorflow.keras.preprocessing.image import ImageDataGenerator

data_generator = ImageDataGenerator(
    rotation_range=20,
    width_shift_range=0.2,
    height_shift_range=0.2,
    shear_range=0.2,
    zoom_range=0.2,
    horizontal_flip=True,
    fill_mode='nearest'
)

train_generator = data_generator.flow_from_directory(
    'path_to_train_data',
    target_size=(224, 224),
    batch_size=32,
    class_mode='categorical'
)

使用cv2.imread()加载数据：

import cv2
import os
import numpy as np

def load_data(directory):
    images = []
    labels = []
    
    for filename in os.listdir(directory):
        if filename.endswith('.jpg'):
            img = cv2.imread(os.path.join(directory, filename))
            img = cv2.resize(img, (224, 224))
            images.append(img)
            labels.append(filename.split('_')[0])
    
    images = np.array(images)
    labels = np.array(labels)
    
    return images, labels

train_images, train_labels = load_data('path_to_train_data')

通过上述代码示例，可以看到ImageDataGenerator()提供了更方便的数据加载和增强功能，而cv2.imread()则需要自行编写代码加载图像数据，并且无法实时进行图像增强。