TensorFlow图像分割训练时出现形状不兼容ValueError报错

• 形状不匹配的核心原因：你的模型最终输出通道数和标注的通道数不一致。从模型定义代码可以看到，最后一步通过Concatenate()([outputs1, outputs2])拼接了两个输出分支的结果，若每个output_block输出1通道的二分类分割图，拼接后模型输出形状为(None, 256, 256, 2)，但你的数据集标注是二分类单通道格式，形状为(None, 256, 256, 1)，二者无法匹配。
• 触发位置：从提供的错误栈可以定位到，错误是在训练阶段更新Recall、Precision这类逐像素评估指标时触发的，TensorFlow在校验预测结果和真实标签的形状兼容性时抛出了该异常。

根据你的业务需求选择对应方案即可：

• 方案1：适配单输出二分类任务：如果你的任务仅需要输出一张二分类分割图，不需要保留两个分支的独立输出，可以去掉拼接逻辑，直接返回需要的分支输出，或者将拼接后的2通道特征降为1通道：

# 示例：用1x1卷积把拼接后的2通道特征转为1通道二分类输出
outputs = Concatenate()([outputs1, outputs2])
outputs = tf.keras.layers.Conv2D(1, kernel_size=1, activation='sigmoid')(outputs)

• 方案2：适配双输出分割任务：如果你的任务就是需要同时输出两个不同类别的分割结果，需要把数据集标注调整为2通道格式，每个通道对应一个类别的二值标注，原损失函数和指标无需大幅修改即可适配。
• 方案3：适配2通道softmax二分类：如果你是要做基于softmax的二分类输出，将输出层激活改为softmax，同时将单通道的整数标签转为2通道one-hot编码，损失函数替换为categorical_crossentropy即可。

内容的提问来源于stack exchange，提问作者Alex Cook