Python 如何使用Keras中的目录flow_进行多类语义切分？

假设我有100个训练灰度图像和100个RGB训练遮罩，每个大小为512x512。我能够在Keras中使用

对面具进行热编码，如下所示

numclasses=3
masks_one_hot=to_categorical(maskArr,numclasses)

其中
maskArr
是100x512x512x1，而
masks\u one\u hot
是100x512x3

然而，为了使用
ImageDataGenerator
和
flow\u from\u目录
使用
trainGenerator
从，我尝试保存一个热编码的训练图像，然后使用
trainGenerator
读取它们。然而，我注意到，在使用
imwrite
并使用
imread
读取它们之后，它们从一个热编码的512x512x3图像变为512x512x3 RGB图像。也就是说，每个通道的值不是0或1，而是在0-255之间

因此，如果我这样做：

myGenerator = trainGeneratorOneHot(20,'data/membrane/train','image','label',data_gen_args,save_to_dir = "data/membrane/train/aug", flag_multi_class = True,
num_class = 3, target_size=(512,512,3))

num_batch=3
for i,batch in enumerate(myGenerator):
    if(i >= num_batch):
        break

其中
trainGeneratorOneHot
如下所示：

def trainGeneratorOneHot(batch_size,...class_mode=None, image_class_mode=None):

    image_datagen = ImageDataGenerator(**aug_dict)
    mask_datagen = ImageDataGenerator(**aug_dict)
    image_generator = image_datagen.flow_from_directory(train_path,classes = [image_folder], class_mode = image_class_mode, color_mode = image_color_mode,target_size = target_size, ...)
    mask_generator = mask_datagen.flow_from_directory(train_path, classes = [mask_folder], class_mode = class_mode, target_size = target_size,...)
    train_generator = zip(image_generator, mask_generator)

    for (img,mask) in train_generator:
        img,mask = adjustDataOneHot(img,mask)
        yield (img,mask)

def adjustDataOneHot(img,mask):
    return (img,mask)

然后我得到`ValueError:无法将输入数组从形状（512512,1）广播到形状（512512,3,1）

如何解决此问题？
几天前正在处理相同的问题。我发现有必要创建自己的数据生成器类来处理从数据帧中获取数据、对其进行扩充，然后在将其传递给模型之前对其进行热编码。我从未能够让Keras
ImageDataGenerator
处理多个类的语义分割问题

下面是一个数据生成器类，以防对您有所帮助：

def one_hot_编码器（掩码，num_class=8）：
热屏蔽=np.zeros（shape=mask.shape，dtype='uint8'）
对于范围（8）内的uu：
temp=np.zero（shape=mask.shape[0:2]，dtype='uint8'）
温度[掩码[：，：，[掩码]！=0]=1
热屏蔽[：，：，]=温度
返回热屏蔽
#图像数据生成器类
类数据生成器（keras.utils.Sequence）：
def_uuuinit_uuu（self，dataframe，batch_size，n_classes=8，augment=False）：
self.dataframe=dataframe
self.batch\u size=批次大小
self.n_类=n_类
自我增强
#每历元步数
定义（自我）：
返回len（self.dataframe）//self.batch\u size
#在训练结束时洗牌并重置索引
终端上的def（自身）：
self.dataframe=self.dataframe.reset_索引（drop=True）
#生成数据，提供给培训
定义uu获取项目uu（自身，索引）：
已处理的_图像=[]
已处理的_掩码=[]
对于范围内的（自身批量大小）：
_image=io.imread（self.dataframe['Images'][index]）
_mask=io.imread（self.dataframe['Masks'][index]）.astype（'uint8'）；
一个热屏蔽=一个热编码器（热屏蔽，8）
如果（自增强）：
#调整大小，然后进行一些扩充
已处理的图像=用于图像的augs图像（图像=图像）/255.0
已处理的\u掩码=用于\u掩码的augs\u（图像=一个\u热\u掩码）
其他：
#仍在调整大小，但没有增加
已处理图像=调整大小（图像=图像）/255.0
已处理遮罩=调整大小（图像=一个热遮罩）
已处理的\u图像。追加（已处理的\u图像）
已处理的\u掩码。追加（已处理的\u掩码）
批处理\u x=np.数组（已处理的\u图像）
批处理y=np.数组（已处理的屏蔽）
退货（批次x、批次y）

此外，这里还有一个链接，指向回购协议，其中包含一些您可能感兴趣的语义分割模型。本文本身展示了作者如何处理多类语义切分