TensorFlow DeepLab3+微调新数据集后评估出现形状不匹配错误

我之前也碰到过类似的DeepLab微调后评估报错的情况，结合你的描述——训练正常但评估出现形状不匹配，而且是基于TF-Slim实现的模型，问题大概率出在训练与评估环节的输入管道不一致、类别数变更后的模型输出与标签不匹配，或者TF-Slim相关预处理/评估函数的配置上。下面是具体的排查和解决步骤：

1. 对齐训练与评估的图像尺寸预处理策略 #

你遇到的第一个错误“Expected [x,x,3], got [y,y,3]”，核心是评估时输入图像的尺寸和模型期望的不匹配。要知道DeepLab训练时可能会用动态尺寸输入（比如支持不同大小的图像），但评估脚本如果硬编码了固定的resize尺寸，就会和实际输入的图像形状冲突：

• 检查训练和评估脚本中调用的TF-Slim预处理函数（比如slim.preprocessing.preprocess_image），确保output_height、output_width参数完全一致，不要在评估时单独设置不同的尺寸；
• 如果训练时用了随机裁剪、缩放等数据增强，评估时要改成仅resize到统一尺寸（不要随机裁剪），但尺寸数值必须和训练时的目标尺寸对齐；
• 避免用tf.reshape强制改变图像形状，改用tf.image.resize_images来调整尺寸，前者会破坏图像的空间结构，容易引发形状不匹配。

2. 确认类别数变更后的形状匹配 #

因为你换了类别数不同的新数据集，这是很容易忽略的点：

• 检查模型最后一层卷积的输出通道数：原DeepLab默认是21类（PASCAL VOC），你需要改成新数据集的类别数N，确保模型输出的logits形状是[batch_size, height, width, N]；
• 检查评估时的标签预处理：如果用的是稀疏标签（每个像素是类别索引），标签形状应该是[batch_size, height, width]；如果是one-hot编码，标签形状要和logits一致（[batch_size, height, width, N]）。如果评估时标签的维度或空间尺寸和logits不匹配，就会触发InvalidArgumentError；
• 查看TF-Slim损失函数的调用，比如slim.losses.softmax_cross_entropy，确认传入的logits和labels形状符合函数要求。

3. 检查TFRecords读取的形状解析逻辑 #

训练时TFRecords写入的图像/标签是可变尺寸，但评估读取时如果错误地强制reshape成固定形状，就会报错：

• 打开评估脚本的parse_example函数，确认解析图像和标签时，没有硬编码固定的形状值。比如图像应该解析成tf.float32类型的张量，形状设为[None, None, 3]，标签设为[None, None]（稀疏标签），保留动态尺寸；
• 读取后再统一做resize处理，确保进入模型前的图像和标签空间尺寸一致。

4. 验证模型输出与输入的形状对应 #

可以临时写一段测试代码，手动输入一张新数据集的图像到模型中，打印模型输出logits的形状，和评估时的标签形状对比：

import tensorflow as tf
from deeplab_model import build_deeplab_model  # 替换为你的模型构建函数

# 加载一张测试图像
test_image = tf.image.decode_jpeg(tf.io.read_file("test_image.jpg"))
test_image = tf.expand_dims(test_image, 0)  # 增加batch维度
test_image = tf.image.resize(test_image, [513, 513])  # 用训练时的目标尺寸

# 构建模型并获取输出
logits = build_deeplab_model(test_image, num_classes=YOUR_NEW_NUM_CLASSES, is_training=False)
print("Logits shape:", logits.shape)

# 打印测试标签的形状
test_label = tf.io.read_file("test_label.png")
test_label = tf.image.decode_png(test_label, channels=1)
test_label = tf.expand_dims(test_label, 0)
test_label = tf.image.resize(test_label, [513, 513], method=tf.image.ResizeMethod.NEAREST_NEIGHBOR)
print("Label shape:", test_label.shape)

如果两者的空间维度（height, width）不一致，说明模型的上采样/ASPP模块没有正确恢复尺寸，或者预处理时的resize策略有问题。

5. 检查TF-Slim评估函数的配置 #

如果你用了slim.evaluation.evaluate_once这类TF-Slim内置评估函数，要确认输入占位符的设置是否支持动态尺寸：

• 不要把图像占位符的形状硬编码成[batch_size, 513, 513, 3]，改成[None, None, None, 3]，标签占位符改成[None, None, None]，这样可以适配不同尺寸的输入；
• 确保评估时的batch_size设置和训练时一致，或者如果评估用batch_size=1，也要确认模型支持单样本输入。

内容的提问来源于stack exchange，提问作者georgos