基于PyTorch的图像分割模型故障求助：全黑掩码与异常高指标

• 排查掩码数据加载与预处理

  • 先确认掩码文件读取逻辑：检查代码中加载掩码的部分，有没有通道顺序错误、数据类型转换失误（比如把uint8格式的掩码直接转成float32却没做标签映射）。
  • 打印掩码数值分布：用np.unique(mask)输出掩码的唯一值，如果结果只有0，说明要么原始掩码数据本身无有效标签，要么加载过程中丢失了标签信息。
  • 验证数据集划分：确认训练/验证集的掩码没有被错误过滤，比如是否误删除了带有效标签的样本，导致模型全程只接触全0的掩码。

• 修正小尺寸图像的裁剪逻辑

  • 32×32的裁剪范围可能完全避开有效标签：原研究用的WorldView-3图像对应CORINE土地覆盖标签，地块尺寸通常远大于32×32，随机裁剪时如果没有约束，很容易裁到全背景（标签0）的区域。
  • 调整裁剪规则：添加强制裁剪区域包含至少一个非0标签的逻辑，或者先统计原图像中有效标签的位置，只在这些区域附近进行裁剪。

• 匹配模型输出与损失函数

  • 检查损失函数输入格式：多分类任务中，确认掩码是否转成了one-hot编码，模型输出通道数是否与类别数量一致；二分类任务则要确认掩码是否为单通道的二值格式。
  • 验证最后一层激活函数：多分类分割需用softmax，二分类用sigmoid，错误的激活函数可能导致模型输出全0。
  • 排查损失计算逻辑：当所有掩码都是0时，模型输出全0就能让损失降为0，自然会出现评估指标全满的异常情况，这说明损失函数没有对有效标签的学习施加约束。

• 修正评估指标计算逻辑

  • 确认指标是否排除背景类：如果所有样本都是背景（标签0），模型预测全0时，准确率、精确率、召回率都会显示为1.0，这是因为指标计算时可能默认把0类当成了正样本，或者未排除背景类的统计。

内容的提问来源于stack exchange，提问作者Endijs