U-net裂缝分割模型训练异常求助：Loss与Accuracy反向变化

我是AI与Python新手，尝试用U-Net构建裂缝识别与分割模型，但训练结果异常。以下是第5轮训练输出：

Epoch 5/25
20/20 [==============================] - 42s 2s/step - loss: -12.7775 - accuracy: 0.0591 - dice_coef: 1.3771 - iou: 2.9680 - val_loss: 0.9940 - val_accuracy: 0.4198 - val_dice_coef: 0.9033 - val_iou: 0.9226

训练过程中出现矛盾现象：随着轮次增加，loss与accuracy持续下降，但dice_coef与IOU却持续上升。

实现细节 #

训练数据集 #

数据集包含两类图像：

• 主图像：带裂缝的场景图像
• 掩码图像：对应主图像的二值灰度掩码，裂缝区域为前景

图像读取与预处理代码 #

Xtrain存储缩放至128x128的主图像；Ytrain存储转灰度、缩放至128x128并新增单通道的掩码图像：

def readimg(name_image, list_images):
    path_image = os.path.join('crack_dataset/img', name_image)
    if os.path.exists(path_image):
        image = cv2.imread(path_image)
        image = cv2.resize(image,(128,128))
        Xtrain.append(image)

def leimg_mask(name_image, list_images):
    path_image = os.path.join('crack_dataset/labelcol', nome_imagem)
    if os.path.exists(path_image):
        image = cv2.imread(path_image, cv2.IMREAD_GRAYSCALE)
        image = cv2.resize(image,(128,128))
        mask_array = image[:, :, np.newaxis]
        Ytrain.append(mask_array)

后续处理 #

将列表转换为NumPy数组，并对主图像做归一化：

Xtrain = np.array(Xtrain)
Ytrain = np.array(Ytrain)
Xtrain = Xtrain / 255.0

数据生成器 #

训练集启用数据增强，测试集无增强：

datagen = ImageDataGenerator(
    rotation_range=15,
    width_shift_range=0.1,
    height_shift_range=0.1,
    shear_range=0.2,
    zoom_range=0.2,
    brightness_range=[0.7, 1.3],
    fill_mode="nearest"
)
datagen_test = ImageDataGenerator()
X_train, X_test, y_train, y_test = train_test_split(Xtrain, Ytrain, test_size=0.2, random_state=42)

模型结构 #

采用标准U-Net架构，分为编码（下采样）和解码（上采样）两部分，包含卷积-池化模块与上采样-特征拼接模块。

训练代码 #

train_generator = datagen.flow(
    X_train, y_train, batch_size=16, shuffle=True
)

val_generator = datagen_test.flow(
    X_test, y_test, batch_size=16, shuffle=False
)
many_steps = len(train_generator)
history = model.fit(train_generator, steps_per_epoch=many_steps, epochs=25, validation_data=val_generator)

恳请帮忙排查问题！

内容的提问来源于stack exchange，提问作者Eric Yudi