Keras 尽管训练和验证的精度和召回值较高，但ResUNet分割输出较差

我最近在血液样本图像上实现了寄生虫分割的RESUNET。本文描述了模型，下面是代码。分割输出为二值图像。我用加权的二进制交叉熵损失训练模型，因为我的图像中存在类的不平衡，所以赋予寄生虫类更多的权重。最后一个输出层有一个S形激活

我计算精度、召回率和骰子系数值，以验证训练中的分割效果有多好。在培训和验证中，我得到了良好的数值结果：

训练 骰子系数：6895，f2:0.8611，精度：0.6320，召回率：0.9563

验证 val_骰子系数：.6433，val_f2:0.7752，val_精度：0.6052，val_召回率：0.8499

然而，当我试图直观地看到验证集的分段时，我的算法输出全黑。分析模型返回的预测后，几乎所有值都接近于零，因此无法正确区分背景和前景。问题是：为什么我的指标显示了良好的数值，而分割输出却没有？ 我的意思是，这些指标没有给我好的信息？为什么即使输出全黑，召回值也更高？

---

我训练了大约50个时代，我的训练曲线显示我在不断学习。这是因为消失梯度问题吗？

不，您没有消失梯度问题

我几乎100%确信这个问题与你的测试方式有关

培训/验证中的数字不存在

确保对测试数据集使用完全相同的预处理，与培训期间应用的预处理完全相同

例如：如果在Keras

ImageDataGenerator（）

中使用“

rescale=1/255.0

”参数，请确保在加载测试图像时，先将其除以255.0，然后再对其进行预测

---

注意，上述是一个纯粹的例子；您在训练/测试预处理中的不一致性可能是由其他原因造成的。

谢谢。是的，你说得对。我的问题在于测试方法。我使用opencv读取输入图像，我对通道顺序有错误，所以我得到了黑色输出分段。欢迎您，如果我的回答引导您解决问题，请接受。