使用ImageDataGenerator准备语义分割数据时报ValueError如何解决？

• flow_from_directory 方法默认返回的每批次数据为 (样本张量, 分类标签) 二元组，其中分类标签是根据目录结构生成的类别编号，并非你需要的掩码数据。你对图像生成器和掩码生成器执行 zip 操作后，每批次返回的内容为 ((输入图像, 无用分类标签1), (掩码图像, 无用分类标签2))，模型会把前两个元素都识别为输入张量，因此抛出“收到2个输入张量但仅需要1个”的报错。
• 额外潜在问题：掩码默认会以RGB三通道模式读取，不符合语义分割任务通常需要单通道掩码计算损失的要求；同时随机增强的种子如果没有全局统一，可能导致输入图像和对应掩码的增强变换不一致，出现标注错位。

调整data_aug函数的参数，取消自动生成的分类标签输出，再对生成器做包装，返回符合(输入, 标签)要求的批次格式，修改后代码如下：

from tensorflow.keras.preprocessing.image import ImageDataGenerator

def data_aug(batch_size=32, seed=42):
    datagen = ImageDataGenerator(rotation_range=10, validation_split=0.2)
    
    # 训练输入图像生成器：仅返回图像张量，丢弃自动生成的分类标签
    X_train_augmented = datagen.flow_from_directory(
        directory='../input/train/fg_image',
        target_size=(256, 256), 
        shuffle=True,
        batch_size=batch_size,
        class_mode=None, # 关键修改：不返回目录对应的分类标签
        seed=seed # 统一随机种子，保证图像和掩码增强逻辑一致
    )
    
    # 训练掩码生成器
    Y_train_augmented = datagen.flow_from_directory(
        directory='../input/train/gt_mask',
        target_size=(256, 256),
        shuffle=True,
        batch_size=batch_size, 
        class_mode=None,
        color_mode='grayscale', # 单通道掩码，若你的掩码是三通道可修改为'rgb'
        seed=seed
    )
    
    # 验证集输入图像生成器
    X_val_augmented = datagen.flow_from_directory(
        directory='../input/validation/fg_image',
        target_size=(256, 256),
        shuffle=True,
        batch_size=batch_size,
        class_mode=None,
        seed=seed
    )
    
    # 验证集掩码生成器
    Y_val_augmented = datagen.flow_from_directory(
        directory='../input/validation/gt_mask',
        target_size=(256, 256),
        shuffle=True,
        batch_size=batch_size,
        class_mode=None,
        color_mode='grayscale',
        seed=seed
    )
    
    # 包装生成器，输出符合训练要求的(输入, 标签)二元组格式
    def pair_generator(img_gen, mask_gen):
        while True:
            img = img_gen.next()
            mask = mask_gen.next()
            # 可在此处添加掩码归一化、标签重编码等自定义预处理
            yield (img, mask)
    
    train_generator = pair_generator(X_train_augmented, Y_train_augmented)
    val_generator = pair_generator(X_val_augmented, Y_val_augmented)
    
    # 返回生成器和样本数，用于计算训练步长
    return train_generator, val_generator, X_train_augmented.samples, X_val_augmented.samples

训练代码同步修改：

train_generator, val_generator, train_samples, val_samples = data_aug(batch_size=32)

# 新版Keras已废弃fit_generator，直接使用fit方法即可支持生成器输入
model.fit(
    train_generator, 
    steps_per_epoch=train_samples // 32, # 按实际样本数计算步长，避免数据重复/缺失
    epochs=50,
    validation_data=val_generator,
    validation_steps=val_samples // 32
)

内容的提问来源于stack exchange，提问作者MSI