你好，我再使用您模型训练的时候，遇到总是卡在model.fit()那一步，训练开始后不打印任何信息，让我感觉像是卡了一样，请问这正常吗？

    out1 = Activation('softmax',name='l1')(Reshape((400 * 400, n_label))(R_out4))
    out2 = Activation('softmax',name='l2')(Reshape((200 * 200, n_label))(R_out3))
    out3 = Activation('softmax',name='l3')(Reshape((100 * 100, n_label))(R_out2))
    out4 = Activation('softmax',name='l4')(Reshape((50 * 50, n_label))(R_out1))

请问网络层为什么要使用多个尺寸的label呢？
另外，您在推理预测的时候，好像并没有使用到多尺寸的pred

                pred = model.predict(crop,verbose=2)
                pred = pred[0]
                pred = np.reshape(pred, (1, c.size_train[1] * c.size_train[0], c.n_label))
                pred = np.argmax(pred, axis=2)

您好，请问这里val_l0_acc的keyreeor是什么问题呢

dadaset 的百度验证码 不是1d4x呀 显示错误

@TachibanaYoshino In ValImggenerator function, there is no data augmenting while TrainImggenerator used. if the validating data are small, the val_acc will be very low.

实现：
def get_label_from_palette(label_img, palette_file='Palette.json'):
with open(palette_file, 'r') as fp:
text = json.load(fp)
palette_values = np.array(list(text.values()))
palette_keys = np.array(list(text.keys()))
# 将三维RGB图像展平为二维形状
flat_label_img = label_img.reshape((-1, 3))

    mask = np.all(np.equal(palette_values, flat_label_img[:, None]), axis=2)
    indices = np.where(mask)
    labels = palette_keys[indices[1]]
    # 将标签重新形状为与原始图像相同
    label = labels.reshape(label_img.shape[:2])

    return label.astype(np.uint8)

@TachibanaYoshino
我看您用了PIL的resize函数对图像进行重采样，请问四波段影像是不是不能这样重采样？有没有什么好的方法进行重采样？
歇息
img, label = img.resize((c.size_train[1], c.size_train[0]), Image.ANTIALIAS), label.resize(
(c.size_train[1], c.size_train[0]), Image.BILINEAR)

发现了数据集好像不太对，是做过什么处理吗？
数据中有(0,0,0)值，并且地物颜色与真实的也不一致。

请问基于U-Net模型的改进点在哪里呢