运行图像分割模型时出现Logits与Labels形状不匹配错误求助

运行代码 #

model = sm.Unet('resnet50', encoder_weights='imagenet', classes=n_classes, activation=activation)
model.compile(optimizer=Adam(learning_rate = 1e-3), loss='binary_crossentropy', metrics=['accuracy'])
model.summary()

history = model.fit(X_test, y_test, 
                    batch_size = 1, 
                    verbose=1, 
                    epochs=5, 
                    validation_data=(y_test, y_test), 
                    shuffle=True)

报错信息 #

ValueError: `logits` and `labels` must have the same shape, received ((1, 64, 64, 4) vs (1, 64, 64, 1)).

已知数据形状 #

• X_train：(113, 64, 64, 3)
• y_train：(133, 64, 64, 1)

问题分析与解决方案 #

1. 模型输出通道与标签通道不匹配

错误提示显示模型输出为(1,64,64,4)，但标签是(1,64,64,1)，说明你设置的n_classes=4，但实际标签是单通道的二分类格式（仅包含0/1两类）：

• 若为二分类语义分割，将n_classes改为1，同时激活函数设为sigmoid（与binary_crossentropy损失匹配）。
• 若为4分类任务，需将标签转换为4通道的one-hot编码格式，同时损失函数改用categorical_crossentropy。

2. 验证集参数设置错误

validation_data的格式应为(验证集输入数据, 验证集标签)，你写成(y_test, y_test)会把标签当作模型输入（输入需要3通道，标签仅1通道，形状不匹配），应改为(X_val, y_val)（替换为你的验证集输入和标签）。

3. 训练数据集样本数量不一致

X_train样本数为113，y_train为133，两者数量不匹配，训练时会触发维度错误。需检查数据加载或预处理流程，确保训练集输入与标签的样本数完全一致。

修正后的示例代码 #

# 假设是二分类任务
n_classes = 1
activation = 'sigmoid'

model = sm.Unet('resnet50', encoder_weights='imagenet', classes=n_classes, activation=activation)
model.compile(optimizer=Adam(learning_rate=1e-3), loss='binary_crossentropy', metrics=['accuracy'])
model.summary()

# 确保X_train和y_train样本数一致，使用训练集训练，验证集传入正确的输入和标签
history = model.fit(X_train, y_train, 
                    batch_size=1, 
                    verbose=1, 
                    epochs=5, 
                    validation_data=(X_val, y_val), 
                    shuffle=True)

内容的提问来源于stack exchange，提问作者Shrey Jindal