Deeplabv3+四类语义分割：非连续标签引发图执行错误求修复

核心逻辑 #

把你的原始标签值[2,4,6,8]一对一映射为标准索引[0,1,2,3]，在数据加载阶段完成转换，同时将num_classes设回4，就能解决Graph execution error。

具体修改步骤及代码 #

1. 添加标签转换函数 #

找到代码中负责加载/预处理标签图像的部分（比如数据生成器、自定义数据集类的__getitem__方法，或者单独的加载函数），插入以下转换逻辑：

# 定义原始标签到标准索引的映射
LABEL_MAPPING = {2: 0, 4: 1, 6: 2, 8: 3}

def convert_label_values(mask):
    # 创建与原标签同形状的空数组
    converted_mask = np.zeros_like(mask, dtype=np.int32)
    # 遍历映射规则替换标签
    for orig_val, target_val in LABEL_MAPPING.items():
        converted_mask[mask == orig_val] = target_val
    return converted_mask

2. 在标签加载后立即调用转换函数 #

比如你原本加载标签的代码是这样的：

# 示例：加载灰度标签图
mask = cv2.imread(mask_file_path, cv2.IMREAD_GRAYSCALE)

在这行代码后面加上转换步骤：

mask = convert_label_values(mask)

⚠️ 注意：训练集、验证集的标签加载都要加这一步，漏了会导致部分数据仍有非法标签值。

3. 修正num_classes参数 #

找到代码中设置num_classes的位置（通常在模型定义、损失函数初始化或训练参数里），把值改回4：

num_classes = 4  # 替换之前设的9

4. 损失函数适配（按需调整） #

• 如果你用的是SparseCategoricalCrossentropy（适合整数索引标签）：转换后的标签直接可用，无需额外修改。
• 如果你用的是CategoricalCrossentropy（需要one-hot编码）：在转换后添加one-hot处理：

from tensorflow.keras.utils import to_categorical

mask = to_categorical(mask, num_classes=num_classes)

验证修改效果 #

重启训练后，若之前的Graph execution error消失，且训练损失正常波动下降，说明修改生效。

排查要点 #

• 检查所有标签加载的分支（比如训练/验证/测试集）是否都应用了转换函数
• 确认标签图像的 dtype 是整数类型（如uint8），避免浮点类型导致匹配失败

内容的提问来源于stack exchange，提问作者Enigma