类U-Net架构图像分割mask生成失效，Jupyter Notebook运行报错

故障根因 #

你调整的两个参数直接导致内存占用飙升：原示例num_classes仅为3，修改为256后单张预测张量的内存占用直接提升85倍，叠加输入尺寸调整后，一次性加载全量验证集的预测结果val_preds会直接耗尽系统内存，触发Jupyter内核过载崩溃。

修复方案 #

• 不要一次性预测整个验证集，仅针对需要查看的单张样本做预测，避免无效内存占用，修改后可运行代码如下：

import gc
# 指定需要查看的验证样本序号
i = 10
# 加载并预处理单张输入图像
img = keras.preprocessing.image.load_img(val_input_img_paths[i], target_size=img_size)
img_array = keras.preprocessing.image.img_to_array(img)
img_array = np.expand_dims(img_array, axis=0) / 255.0
# 仅预测单张样本，关闭冗余日志
single_pred = model.predict(img_array, verbose=0)
# 显示输入图像
display(Image(filename=val_input_img_paths[i]))
# 显示真值掩码
img = PIL.ImageOps.autocontrast(load_img(val_target_img_paths[i]))
display(img)
# 生成并显示预测掩码
mask = np.argmax(single_pred[0], axis=-1)
mask = np.expand_dims(mask, axis=-1)
pred_img = PIL.ImageOps.autocontrast(keras.preprocessing.image.array_to_img(mask))
display(pred_img)
# 主动回收无用内存，避免累积占用
del single_pred, img_array
gc.collect()

• 如果需要批量查看验证样本，将batch_size调低到2~4，每次预测1个batch后立刻处理显示、释放内存，不要存储全量预测结果。
• 确认全链路参数一致性，检查OxfordPets数据生成类、模型定义处的输入尺寸参数是否和你修改的256×25完全匹配，避免张量形状异常导致的额外内存占用；如果你写的256×25是笔误、实际为256×256，需要进一步调低单次预测的样本数量。

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