深度学习二分类场景：模型预测掩码可视化与BinaryIoU疑问

针对你遇到的「训练/验证BinaryIoU≈0.49，但推理时sigmoid后概率仅0.001-0.009」矛盾问题，可按以下步骤逐一排查：

1. 模型加载正确性检查 #

• 确认推理加载的是训练完成的最终权重文件，而非初始权重或未训练完成的中间checkpoint
• 必须在推理前调用model.eval()，否则训练时启用的Dropout/BatchNorm层会在推理阶段产生不稳定输出
• 验证权重加载完整性：打印模型关键层（如最后一层卷积）的权重均值/方差，对比训练结束时的记录值，避免因键名不匹配导致部分层未加载

2. 数据预处理一致性验证 #

推理时的图像预处理必须和训练阶段完全对齐，常见偏差点：

• 归一化参数：训练时是否对图像做了均值/标准差归一化？推理时是否遗漏或使用了错误参数？
• 尺寸与通道：训练时是否固定图像尺寸？推理时的缩放逻辑是否一致？通道顺序是RGB还是BGR？
• 样本标签确认：检查训练集首图的真实标签是否确实包含目标，排除样本标签错误导致的指标与预测矛盾

3. 模型输出与后处理逻辑排查 #

• 输出通道检查：二分类场景下，DeepLabV3+最后一层输出通道数应为1，若误用2通道输出配合sigmoid，会导致概率值异常
• logit数值范围：直接打印模型输出的logit值，若logit本身处于-10以下区间，sigmoid后自然趋近于0。此时需回溯训练损失函数：
  • 若训练用BCEWithLogitsLoss（自带sigmoid），推理时单独加sigmoid是正确的，但需确认标签为单通道二值格式
• 阈值调整：0.5是通用阈值，若模型输出整体偏移，可尝试降低阈值（如0.01），观察是否能生成与指标匹配的掩码

4. 指标计算逻辑验证 #

• 检查训练/验证阶段的BinaryIoU代码：是否误将预测概率直接参与计算，而非先转二值掩码？是否指标计算时用了和推理不同的后处理方式？
• 手动计算首图IoU：用模型输出logit（或调整阈值后的掩码）与真实标签对比，验证是否能得到接近0.49的数值，确认指标是否真实可靠

5. 其他潜在问题 #

• 类别不平衡：若训练集负样本占比极高，模型可能偏向预测负类，但IoU=0.49说明模型仍学到部分信息，需确认该首图是否为难度较高的样本
• 梯度异常：查看训练时的损失曲线和梯度变化，若训练后期梯度消失/爆炸，会导致模型权重未有效更新

代码检查重点提示 #

训练代码需关注：

• 模型最后一层输出通道数
• 损失函数类型（BCEWithLogitsLoss vs CrossEntropyLoss）
• 数据预处理流程
• BinaryIoU计算逻辑

推理代码需关注：

• 模型加载方式（权重路径、是否调用model.eval()）
• 图像预处理与训练的一致性
• sigmoid的应用位置与正确性

内容的提问来源于stack exchange，提问作者Leila Cml