叶片病害分割模型预测掩膜绘图异常代码排查请求

我正在开展叶片病害分割深度学习项目，已完成50轮模型训练，得到以下精度与损失指标：

• 训练损失：19.4736，训练精度：0.9395
• 验证损失：19.6197，验证精度：0.9100
• 测试损失：19.6148，测试精度：0.9123

但绘制预测掩膜时结果不准确，怀疑绘图代码存在问题，绘图代码如下：

def plot_predictions(model, images, masks, num_samples=5):
    predictions = model.predict(images[:num_samples])
    for i in range(num_samples):
        plt.figure(figsize=(15, 5))
        plt.subplot(1, 3, 1)
        plt.title('Real Image')
        plt.imshow(images[i])
        plt.subplot(1, 3, 2)
        plt.title('Ground Truth Mask')
        plt.imshow(masks[i], cmap='gray')  # Assuming masks are already binary
        plt.subplot(1, 3, 3)
        plt.title('Predicted Mask')
        plt.imshow(predictions[i][:, :, 0], cmap='gray')  # Convert predicted mask to binary
        plt.show()

plot_predictions(model, test_images.numpy(), test_masks_L, num_samples=5)

绘制出的预测掩膜与真实掩码差异明显（示例图呈现原始图像、真实掩码与预测掩码的对比）。以下是可能的错误点：

• 未对预测结果做二值化处理：代码注释标注要转成二值掩码，但实际仅提取了预测结果的单通道，没有进行阈值分割。分割模型的输出通常是0-1之间的概率值（如sigmoid激活输出），需要设定阈值（如0.5）将概率转换为0/1的二值掩码，否则imshow会将连续的概率值当作灰度图显示，导致视觉上与真实掩码差异较大。
• 掩码数据格式不匹配：检查test_masks_L的数据类型、形状是否与预测结果一致。例如真实掩码是整数类型（0/1），而预测结果是浮点型；或者两者通道数不匹配，都可能导致显示异常。
• 图像归一化未反处理：如果输入模型的test_images做过归一化（如除以255），虽此处显示原始图像无问题，但如果预测结果的输出范围与真实掩码不一致（如真实掩码是0-255，预测结果是0-1），也会导致显示效果不符预期。
• 通道维度处理错误：若模型输出为多通道（如二分类任务输出2通道），直接取[:, :, 0]可能不是目标病害类别的概率，应选择对应类别通道，或用argmax获取类别索引后再显示。

内容的提问来源于stack exchange，提问作者Urwa Shanza