UNet训练报错：张量尺寸不匹配与Concatenate层形状冲突求助

问题1：数据集图像尺寸不一致导致Batch失败 #

错误原因 #

扩充数据集后混入了尺寸为[761,720,3]的图像，但代码中强制设置输入形状为[256,256,3]，TensorFlow在批量加载时发现张量形状不匹配，抛出错误。

解决方案 #

在读取图像和掩码时，强制将所有数据resize到统一的目标尺寸，不管原始图像大小。修改read_image和read_mask函数：

def read_image(path):
    path = path.decode()
    x = cv2.imread(path, cv2.IMREAD_COLOR)
    x = cv2.resize(x, (width, height))  # 新增：统一尺寸
    x = x/255.0
    return x

def read_mask(path):
    path = path.decode()
    x = cv2.imread(path, cv2.IMREAD_GRAYSCALE)
    x = cv2.resize(x, (width, height))  # 新增：统一尺寸
    x = x/255.0
    x = np.expand_dims(x, axis = -1)
    return x

问题2：UNet编码器与解码器特征图尺寸不匹配导致拼接失败 #

错误原因 #

UNet的核心是编码器下采样后的特征图与解码器上采样后的特征图拼接。你的UNet包含4次下采样（每次用MaxPool2D(2,2)将尺寸减半），若输入尺寸无法被2^4=16整除，下采样/上采样后的尺寸会出现奇数，导致编码器输出的特征图与解码器上采样后的特征图尺寸不一致（比如输入761x720时，编码器的s4尺寸是95x90，解码器上采样后是94x90，无法拼接）。

解决方案 #

有两种可行方案：

方案1：选择能被16整除的输入尺寸

将输入的高和宽设置为16的倍数（比如把height=768，width=720，768和720都能被16整除），这样每次下采样/上采样的尺寸都能完美匹配，无需修改网络结构。

修改参数：

height = 768  # 768 = 16*48
width = 720   # 720 = 16*45

方案2：修改解码器，强制对齐特征图尺寸

如果必须使用非16倍数的尺寸，修改decoder_block函数，在拼接前将上采样后的特征图尺寸调整为与编码器特征图一致：

def decoder_block(inputs, skip, num_filters):
    x = Conv2DTranspose(num_filters, (2,2), strides=2, padding='same')(inputs)
    # 新增：调整x的尺寸与skip一致
    x = tf.keras.layers.Resizing(height=skip.shape[1], width=skip.shape[2])(x)
    x = Concatenate()([x, skip])
    x = conv_block(x, num_filters)
    return x

完整修改后的训练流程要点 #

1. 确保所有训练/验证集的图像和掩码都被resize到统一尺寸。
2. 优先选择能被2^N整除的尺寸（N为下采样次数，这里N=4），避免额外的尺寸调整操作。
3. 重新运行训练代码，即可解决两个尺寸不匹配的错误。

内容的提问来源于stack exchange，提问作者Dennis