torchmetrics计算Precision报错：隐含类别数与num_classes不匹配

• 新版torchmetrics的Precision指标必须显式指定task参数，未指定时默认按多分类（multiclass）逻辑做形状校验，和二值分割的输入格式要求不匹配。
• 多分类模式下要求标签形状为(batch_size, h, w)（无单独类别通道维度），标签值为0到num_classes-1的整数索引。你传入的预测、标签都保留了channels=1的维度，形状为(batch_size, 1, h, w)，和你设置的num_classes=1的校验规则冲突，直接触发报错。
• 额外问题：你传入的outputs是模型输出的原始logits，未经过sigmoid激活和二值化处理，就算不报错计算出的精度结果也完全错误；另外原代码存在笔误，outputs = model(input)中传入的变量名和前面定义的inputs不一致，会触发变量未定义错误。

二值图像分割场景下，按以下逻辑调整代码即可：

1. 初始化Precision时显式指定task="binary"，可按需设置二值化阈值（默认0.5），二分类场景不需要手动传入num_classes参数。
2. 计算指标前先对模型输出做sigmoid激活，将logits转为0~1区间的概率值，再挤压掉长度为1的通道维度，把预测、标签的形状从(batch_size, 1, h, w)转为(batch_size, h, w)。
3. 修正原代码的变量名笔误。

修正后的核心代码如下：

inputs, labels = batch
outputs = model(inputs) # 修复原代码input变量名笔误
loss = self.loss_function(outputs, labels)

# 初始化二值分割精度指标
prec_cal = torchmetrics.Precision(task="binary", threshold=0.5)
# 处理预测值：sigmoid转概率 + 去除通道维
preds = torch.sigmoid(outputs).squeeze(dim=1)
# 处理标签：去除通道维 + 转整数类型
targets = labels.squeeze(dim=1).long()
prec = prec_cal(preds, targets)

如果你的torchmetrics版本较低不支持task参数，可额外将num_classes=2传入，同时把预测结果通过阈值转为0/1的类别索引，再去掉通道维传入，不过更推荐升级到新版使用task="binary"的标准写法。

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