我正试图像你的实验一样训练我自己的数据集(2类包括背景)，但我得到了空白输出标签图像是一个PNG格式的图像，有2种颜色(0表示背景，1表示前景)
SEG_INFORMATION = DatasetDescriptor(
splits_to_sizes={
'train': 250, # number of file in the train folder
'trainval': 255,
'val': 5,
},
num_classes=2, # number of classes in your dataset
ignore_label=255, # white edges that will be ignored to be class
not_ignore_mask = tf.to_float(tf.equal(scaled_labels, 0)) * 1 + tf.to_float(tf. equal(scaled_labels, 1)) * 500 + tf.to_float(tf.equal(scaled_labels, ignore_label)) * 0
https://user-images.githubusercontent.com/23016323/52344967-fb472600-2a13-11e9-8841-0d0c5c7dde72.png
这些是我尝试过的配置和我使用的样本标签图像
我预计输出是分段的，但得到了空白图像
所以数据集的一般定义对我来说很好。不过，250张训练图像并不多。我从未使用过这种大小的数据集，所以我不能保证以下内容能帮助你。。。
我有一些建议/问题，可能会有所帮助：
1) 你的网络预测哪个标签(==你所说的"空白"图像是什么意思)？。你是指原始预测标签(在这两种情况下都应该是"黑色"，因为0和1都是相当黑的灰度值)还是彩色图像，那么你使用的是哪种颜色图(Pascal？)，两个标签中的哪一个由黑色表示是很有趣的。
2) 如果你的网络总是预测"前景"，那么你的权重因子500可能太高了。您的网络可能会不惜一切代价避免前景的FN预测，从而产生全前景图像。
3) 出于调试目的：试试你的网络是否能够记住一些训练图像(使用相同的图像进行测试和训练)。如果你的标签和培训设置是正确的，你的网络可能会过度适应一些培训示例。
4) 确保你提供给网络的基本事实确实有两个有效的标签，0和1。如果你将所附的图像作为地面实况输入网络，标签0将被学习，"白色"对象将被忽略，因为255是被忽略的标签
5) 如果是deeplab，请确保您使用的是经过预训练的主干初始化！此外，您使用的主干网会很有趣吗？我希望使用小型/紧凑型网络(带有移动网络的deeplab、inception等)将有利于基于250张图像的训练。
我希望其中一条建议对你有帮助。干杯；)