为何不同标注掩码训练的sklearn RandomForest模型预测速度存在差异

我在使用sklearn的RandomForestClassifier过程中遇到了一个无法理解的问题。
我构建了一个像素级分类模型，用于判断每个像素是否对应目标物体（本次测试目标为梨），效果示例如下：

我使用以下三张图片作为训练集：

目前我针对相同的训练图像，使用两种不同的标注掩码分别训练了两个模型：

• 模型1标注掩码：
  
• 模型2标注掩码：
  
  两个模型的准确率均符合要求，但存在明显的速度差异：模型1对10张新图像完成预测仅耗时约0.5秒，模型2对相同10张图像预测耗时约4秒，请问该现象的成因是什么？

应@TYZ建议补充代码及更多信息如下：

def train_model(image_path, labeled_image_path,  test_split=0.3):
    train_img = cv2.imread(image_path) #加载训练图像
    train_img = cv2.cvtColor(train_img, cv2.COLOR_BGR2RGB) #转换BGR格式为RGB
    train_img = train_img[:, :, 2] #仅保留绿色通道（调试后选择的效果最优通道）

    df = generate_features(train_img) #生成包含所有特征的DataFrame

    train_img_labeled = cv2.imread(labeled_image_path)
    train_img_labeled = cv2.cvtColor(train_img_labeled, cv2.COLOR_BGR2GRAY) #加载标注图像
    df["Labels"] = train_img_labeled.reshape(-1)

    Y = df["Labels"].values
    X = df.drop(labels=["Labels"], axis=1)

    # 拆分训练集和测试集
    from sklearn.model_selection import train_test_split
    X_train, X_test, y_train, y_test = train_test_split(X, Y, test_size=test_split, random_state=20)

    # 初始化模型
    from sklearn.ensemble import RandomForestClassifier
    model = RandomForestClassifier(n_estimators = 5, random_state = 25, max_depth=1, n_jobs=1)

    # 训练模型
    model.fit(X_train, y_train)
    return model 

def test(model):
    
    image_paths = ["test/scaled/test_1.jpeg", "test/scaled/test_2.jpeg", "test/scaled/test_3.jpeg", "test/scaled/test_4.jpeg", "test/scaled/test_5.jpeg", "test/scaled/test_6.jpeg", "test/scaled/test_7.jpeg",
    "test/scaled/test_8.jpeg", "test/scaled/test_9.jpeg", "test/scaled/test_10.jpeg"]
        
    import time
    start_time = time.time()
    
    for image_path in image_paths:
        start_time = time.time()
        result = calculate_model_output(model, image_path, show=False)
    
    print("--- %s seconds ---" % (time.time()-start_time))

核心原因是两个模型的分类任务类型存在本质差异
你加载标注掩码时直接将灰度图的像素值作为模型标签，没有做二值化处理，导致两个模型的分类类别数差异极大：

• 模型1的标注掩码是纯二值图像，仅包含背景（灰度值0）和梨（灰度值255）两类，属于二分类任务，随机森林预测时仅需判断每个像素属于正负类，计算量极小
• 模型2的标注掩码存在多个不同灰度值，可能是标注了多个梨实例、存在边界过渡灰度、或是标注噪声引入了额外类别，属于多分类任务。随机森林预测时需要为每个类别计算输出概率再取最大值，类别数越多耗时越高，8倍的耗时差正好匹配多分类场景的计算量增长规律。

验证方法 #

你可以直接打印两个模型的classes_属性确认类别数差异：

print("模型1类别数：", len(model1.classes_))
print("模型2类别数：", len(model2.classes_))

修复方案 #

确认后只需要在标注加载步骤增加二值化处理，就能统一两个模型的任务类型，消除速度差异：

# 加载灰度标注后增加二值化逻辑，统一转为二分类标签
train_img_labeled = cv2.threshold(train_img_labeled, 127, 255, cv2.THRESH_BINARY)[1]

另外你当前的测试代码存在计时bug：循环内部每次都重置了start_time，所以打印的耗时其实只有第10张图的预测耗时，不是10张图的总耗时，把循环内的start_time = time.time()删掉即可修复。

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