U-Net训练验证集IOU恒定极低 图像掩码缩放预处理问题排查

问题根因 #

1. 掩码增强逻辑错误 #

当前你将包含像素值变换的增强策略同时应用于图像和掩码，掩码作为标注数据仅可使用几何变换（翻转、旋转等），你用到的高斯模糊、对比度调整、锐化、边缘检测等操作会破坏二值掩码的标签正确性，导致模型无法学习到正确的映射关系。

2. 掩码数值范围错误 #

你的掩码被转换为uint8类型，通常这类掩码的正样本像素值为255，未归一化到0-1区间，而模型sigmoid层输出范围为0-1，计算二元交叉熵损失时标签和预测值范围不匹配，导致损失计算失效，模型收敛到输出全背景的局部最优解，刚好匹配你观察到的79%左右固定准确率（对应数据集背景占比约79%）。

3. 路径拼写错误 #

掩码加载代码y_train = np.load('/y_train.npy')开头多了斜杠，若本地文件路径不对也会导致加载错误。

修复方案 #

• 拆分图像和掩码的增强逻辑：图像保留原有增强策略，掩码单独编写增强函数，仅保留水平翻转、垂直翻转两类几何变换，且保证图像和掩码增强时使用相同随机种子，确保变换后二者对齐。
• 修正掩码数值范围：加载掩码后添加归一化逻辑：

y_train = (y_train > 127).astype('float32')

将二值掩码统一转换为0、1取值，适配损失计算要求。

• 统一输入缩放逻辑：当前生成器已为图像配置rescale=1.0/255，保持Lambda缩放层注释即可，不要同时开启两处缩放。
• 训练前做数据校验：从生成器中取出一组图像和对应掩码可视化，确认图像取值范围为0-1、掩码仅含0/1两个值、掩码和图像目标位置对齐。
• （可选）优化损失函数：分割任务推荐使用二元交叉熵+Dice损失的组合损失，缓解类别不平衡问题，提升IOU指标表现。

内容的提问来源于stack exchange，提问作者George