Keras单目标检测训练报Shapes of all inputs must match错误如何解决

问题原因 #

1. 度量指标选择错误：你的任务是单目标检测的边界框回归（输出4个坐标值，属于回归任务），但在model.compile里指定了MeanIoU(num_classes=2)作为评估指标。MeanIoU是针对语义分割、分类任务设计的指标，要求输入的真实标签和预测输出是类别掩码或类别值，内部会计算混淆矩阵。你的回归输出是形状为(batch_size,4)的坐标，标签是你临时填充的形状为(batch_size,1)的0值，完全不符合MeanIoU的输入要求，这是报错里confusion_matrix节点形状不匹配的直接原因。
   你观察到的BATCH_SIZE变化时错误数值对应变化：BATCH_SIZE=16时不匹配维度为16和64（164），BATCH_SIZE=8时为8和32（84），刚好对应模型输出的第二维长度为4，进一步验证了形状不匹配来自回归输出和分类指标的输入要求冲突。
2. 标签数据错误：构造DataFrame时你给coordinates列直接填了固定值0，这是无效标签。边界框回归任务需要每个样本对应4个坐标值（比如归一化后的xmin、ymin、xmax、ymax，或者中心点+宽高），且因为你输出层用了sigmoid激活，坐标值需要提前缩放到0~1区间，当前的单值0标签不仅无法完成训练，也是形状不匹配的次要原因。
3. 模型结构逻辑错误：你搭建卷积特征提取层的循环存在逻辑问题，每次循环都从input_img开始重新计算特征，等于前两次的32、64通道卷积层完全没有生效，仅保留了最后一次128通道的卷积输出，会导致模型特征提取能力大幅下降。
4. 早停回调配置错误：你配置EarlyStopping时监控的是val_accuracy，回归任务没有准确率指标，会导致回调逻辑失效。

解决方案 #

1. 替换适配回归任务的评估指标：删除MeanIoU，替换为MSE、MAE等回归指标，也可以自己实现边界框IoU计算函数作为自定义指标：

   model.compile(
       loss="mse",
       optimizer=Adam(lr=0.0005),
       metrics=["mse", "mae"]
   )
   

2. 修正标签数据：把每张图像对应的真实边界框4个归一化后的坐标值，存储到DataFrame的coordinates列，每行的coordinates为长度为4的列表或数组。
3. 修正卷积层循环逻辑：把x的初始化放到卷积循环外部，保证特征逐层传递：

   def build_model(img_shape: Tuple[int, int, int]) -> Model:  
       input_img = Input(shape=img_shape)
       x = input_img # 初始化特征变量
       for k in [32,64,128]:
           x = BatchNormalization()(x) # 输入为上一层输出的特征，而非原始输入
           x = Conv2D(filters=k, kernel_size=3, padding="same")(x)
           x = Activation("relu")(x)
           x = MaxPool2D()(x)
       # 后续代码保持不变
   

4. 修正早停回调的监控指标：

   early_stopping_callback = EarlyStopping(
       monitor="val_loss",
       patience=30,
       verbose=1,
       restore_best_weights=True,
       min_delta=0.0005
   )
   

内容的提问来源于stack exchange，提问作者Move37