我正在从https://github.com/zhixuhao/unet 运行 unet，但是当我运行 unet 时，预测的图像都是灰色的。我收到一条错误消息，提示我的测试数据的图像对比度低，有人遇到过或解决过这个问题吗？
我正在使用 50 张超声图像进行训练，增强后得到大约 2000/3000，在 5 个 epoch 上，每个 epoch 有 300 步，batch size 为 2。
非常感谢提前 海伦娜
【问题讨论】：
标签： python tensorflow keras conv-neural-network image-segmentation
确保您的数据管道正确无误后。这里有几件事需要考虑，我希望下面提到的其中一项对您有所帮助：
1.选择合适的损失函数 二元交叉熵可能会引导您的网络朝着优化所有标签的方向发展，现在如果您的图像中的标签数量不平衡，它可能会吸引您的网络只返回白色、灰色或黑色图像预测。尝试使用骰子系数损失
2。更改 testGenerator 中的行
data.py 和 testGenerator 方法中似乎存在问题的事情是以下行：
img = img / 255
改成：
img /=255.
3.降低学习率
如果您的学习率太高，您可能会收敛到不充分的最优值，这也倾向于仅针对灰色、黑色或白色预测进行优化。
尝试使用 Adam(lr = 3e-5) 左右的学习率并训练足够数量的 epoch，您应该打印 dice loss 而不是准确度来检查您的收敛性。
4.不要对最后一组卷积使用激活函数 对于最后一组卷积，即 128-> 64 -> 64 -> 1，不应该使用激活函数！激活函数导致值消失！
5.您的保存方法可能存在“错误”，请确保在保存之前将图像缩放到 0 到 255 之间的值。 Skimage 通常会通过低对比度图像警告您。
from skimage import img_as_uint
io.imsave(os.path.join(save_path,"%d_predict.tif"%(i)),img_as_uint(img))
6.您的保存格式可能存在“错误”，请确保您以正确的格式保存图像。我体验过另存为 .png 只会提供黑色或灰色图像，而 .tif 则很有魅力。
7.您可能只是训练不足，当您的网络没有按照您的意愿运行时，您会吓坏并中止训练。机会是，额外的训练时期正是它所需要的。
【讨论】：