如何将Keras版Deeplabv3+多分类语义分割适配为医疗图像二分类任务

将NUM_CLASSES = 20改为NUM_CLASSES = 1是正确的。二分类语义分割采用单通道输出时，每个像素仅需输出1个值判断属于前景/背景，完全匹配医疗分割的二分类需求。
你设置NUM_CLASSES = 2出现logits与标签不匹配的报错，核心原因是参数配置和标签格式不兼容：如果要保留2通道输出，需要将标签转换为2通道的one-hot格式，同时损失函数继续使用SparseCategoricalCrossentropy，但二分类场景下单通道+二分类损失的配置计算效率更高，没必要额外开2通道。

损失为负数是输出与标签的取值范围不匹配导致的，你需要做两处检查：

• 确认标签张量的取值仅为0和1：如果你的标注是原始的灰度png图，需要先将像素值大于0的所有标签统一转为1，禁止出现0~1之间的浮点值或大于1的整数，否则会导致损失计算异常。
• 确认模型最后一层的输出通道数和NUM_CLASSES = 1保持一致，不要误保留原代码的20通道或错设为2通道。

不需要将激活函数更换为softmax，有两种可行的配置方案，推荐选择第一种：

• 方案1（训练数值稳定性更高）：最后一层保持原代码的keras.activations.linear，损失函数保持BinaryCrossentropy(from_logits=True)，推理阶段给输出结果套一层sigmoid激活，再按阈值（通常设为0.5）做二值化即可。
• 方案2：最后一层激活更换为keras.activations.sigmoid，损失函数设为BinaryCrossentropy(from_logits=False)，该方案推理时不需要额外加激活，但训练过程的数值稳定性略低于方案1。

注意：softmax是多分类场景的激活函数，仅适配输出通道数≥2的分类场景，和你当前的单通道二分类配置不兼容，不要混用。

内容的提问来源于stack exchange，提问作者Tiz