# 浒苔预测阈值修复说明

## 问题描述

当处理整张没有浒苔的256x256图片时，模型可能会把整张图片全部预测为浒苔。这是因为：

1. **原始预测逻辑**：使用 `torch.argmax()` 直接选择概率最高的类别
2. **问题原因**：当两个类别的概率接近时（比如都是0.5左右），`argmax` 会选择概率稍高的那个
3. **类别不平衡**：如果训练数据中浒苔样本较多，模型可能倾向于预测浒苔类别

## 解决方案

添加了**概率阈值机制**：

- **修改前**：直接使用 `argmax` 选择概率最高的类别
- **修改后**：只有当浒苔（类别1）的概率**超过阈值**（默认0.5）时，才预测为浒苔

### 代码修改

在 `predict_image()` 函数中：

```python
# 修改前
pred_class = torch.argmax(pred, dim=1).squeeze(0).cpu().numpy()

# 修改后
seaweed_prob = pred[0, 1].squeeze(0).cpu().numpy()
pred_class = (seaweed_prob > threshold).astype(np.uint8)
```

## 使用方法

### 1. 基本使用（使用默认阈值0.5）

直接运行预测脚本即可，默认阈值为0.5：

```bash
python predict_seaweed_256x256_simple.py
```

### 2. 自定义阈值

在脚本的 `main()` 函数中修改 `prediction_threshold` 变量：

```python
# 预测阈值：只有当浒苔概率超过此阈值时才预测为浒苔
# 建议值：0.5-0.7，可以根据验证集调整
prediction_threshold = 0.5  # 修改为你需要的值
```

### 3. 阈值选择建议

- **0.5**：平衡阈值，适合大多数情况
- **0.6-0.7**：更保守，减少误报（假阳性），但可能漏检一些浒苔
- **0.4-0.5**：更宽松，减少漏检（假阴性），但可能增加误报

**建议**：在验证集上测试不同阈值，选择F1分数最高的阈值。

## 修改的文件

1. `predict_seaweed_256x256_simple.py` - 单张256x256图片预测脚本
2. `predict_large_image_tiles_256.py` - 大图瓦片预测脚本

## 验证方法

运行预测后，检查以下内容：

1. **概率图**：查看 `*_probability.png` 文件，确认无浒苔图片的概率值是否低于阈值
2. **预测结果**：查看 `*_prediction.png` 文件，确认无浒苔图片是否被正确预测为背景
3. **统计信息**：查看 `prediction_results.json`，检查无浒苔图片的 `seaweed_ratio` 是否接近0

## 进一步优化建议

如果问题仍然存在，可以考虑：

1. **调整阈值**：根据验证集结果调整阈值
2. **重新训练模型**：增加无浒苔样本的训练数据
3. **使用类别权重**：在训练时给背景类别更高的权重
4. **后处理**：添加形态学操作（如开运算）去除小的误检区域

## 技术细节

### 为什么会出现这个问题？

1. **Softmax特性**：softmax会将logits转换为概率分布，即使两个类别的logits很接近，softmax后的概率也会强制归一化
2. **模型倾向性**：如果训练数据中浒苔样本较多，模型可能学习到倾向于预测浒苔的模式
3. **边界情况**：当输入特征不明显时，模型可能给出不确定的预测

### 阈值机制的工作原理

- 阈值机制相当于在softmax概率上添加了一个"置信度门控"
- 只有当模型对浒苔的预测**足够确信**（概率>阈值）时，才预测为浒苔
- 这样可以有效减少在不确定情况下的误判