你这段手改里有一个关键错误：

mask_np[pink_mask] = FSD_PINK_VALUE 在 RM 分支里不对，应该是 RM_PINK_VALUE。

我已经按你要求重新做了一遍，并且把 RM 的 train/val 在两个类里都补齐，和 FSD 触发逻辑保持一致：

已恢复并修正的内容

• RMSegmentation：已加后视镜折叠增强（train + val）

• RMSegmentation_sifting：也同步加了同样增强（防止 sifting 模式不一致）

• 粉色区域标签：统一为 RM_PINK_VALUE（表示无路面标识）

• 验证阶段 debug：也保存 RM 可视化图（沿用你当前配置开关）

你可以重点检查这些位置

SegmentationDataset.pyLines 1239-1263

if (self.mode == 'train' or (self.mode == 'val' and MIRROR_FOLD_APPLY_TO_VAL)) and should_apply_mirror_fold():

    ...

    img_np[pink_mask] = MIRROR_FOLD_PINK_COLOR_RGB

    mask_np[pink_mask] = RM_PINK_VALUE

SegmentationDataset.pyLines 1297-1328

_save_seg_debug("rm", img, mask, imagepath)

...

if MIRROR_FOLD_DEBUG_APPLY_TO_VAL:

    _save_seg_debug("rm", img, mask, imagepath)

SegmentationDataset.pyLines 1534-1557

# RMSegmentation_sifting 同样的 mirror_fold 注入

mask_np[pink_mask] = RM_PINK_VALUE

SegmentationDataset.pyLines 1607-1638

# RMSegmentation_sifting 的 train/val debug 保存

_save_seg_debug("rm", ...)

另外我也把你前面被误改到 FSD 的地方纠回来了（FSD 保持 FSD_PINK_VALUE）。

你现在可以直接重新跑一轮，重点看 rm debug 图里粉色区是否稳定出现且无标识。

==================

CityBddSegmentation、CitySegmentation 类并未实际使用，以后不用专门改，不确定的时候可以问我下。现在有一个新需求，为fsd分支新增一个类别路沿，之前0代表不可行驶区域，1代表可行驶区域，现在新增2代表路沿，请帮我修改代码，让fsd分支支持这个新增类别

yolov5s_custom_seg_big.yaml

+1-1

n_segcls: 2 

n_segcls: 2 

n_segcls: 3 

train2.py

+1-1

                mIoU = test.seg_validation(model=ema.ema, valloader=seg_valloader, device=device, n_segcls=2,

                mIoU = test.seg_validation(model=ema.ema, valloader=seg_valloader, device=device, n_segcls=2,

                mIoU = test.seg_validation(model=ema.ema, valloader=seg_valloader, device=device, n_segcls=3,

test.py

+6-1

        if n_segcls == 2:

            'pixAcc: %.3f, mIoU: %.3f, class0: %.3f, class1: %.3f' % (pixAcc, mIoU, IoU[0], IoU[1]))

        if n_segcls == 2:

        if n_segcls in (2, 3):

            'pixAcc: %.3f, mIoU: %.3f, class0: %.3f, class1: %.3f' % (pixAcc, mIoU, IoU[0], IoU[1]))

test_custom.py

+7-2

        if n_segcls == 2:

            'pixAcc: %.3f, mIoU: %.3f, class0: %.3f, class1: %.3f' % (pixAcc, mIoU, IoU[0], IoU[1]))

    segtest_fsd(root=opt.segdata, weights=opt.weights, batch_size=64, n_segcls=2, base_size=opt.base_size)  # 19 for cityscapes

        if n_segcls == 2:

    segtest_fsd(root=opt.segdata, weights=opt.weights, batch_size=64, n_segcls=2, base_size=opt.base_size)  # 19 for cityscapes

        if n_segcls in (2, 3):

            'pixAcc: %.3f, mIoU: %.3f, class0: %.3f, class1: %.3f' % (pixAcc, mIoU, IoU[0], IoU[1]))

        if len(IoU) == 3:

            tbar.set_description(

            'pixAcc: %.3f, mIoU: %.3f, class0: %.3f, class1: %.3f, class2: %.3f' % (pixAcc, mIoU, IoU[0], IoU[1], IoU[2]))

    segtest_fsd(root=opt.segdata, weights=opt.weights, batch_size=64, n_segcls=3, base_size=opt.base_size)  # 19 for cityscapes

已按你的新需求完成，且遵循“CityBddSegmentation、CitySegmentation 后续不主动改”的约定。

这次为 FSD 新增 2=路沿，我做了这些必要修改：

• models/yolov5s_custom_seg_big.yaml

• n_segcls 从 2 改为 3（FSD 头输出通道变为3）

• train2.py

• 训练内 FSD 验证调用从 n_segcls=2 改为 n_segcls=3

• 即 test.seg_validation(..., n_segcls=3, ...)

• test.py

• seg_validation() 中 FSD 分支选择从 if n_segcls == 2 改为 if n_segcls in (2, 3)，保证3类时仍走 FSD 头

• 进度条显示新增 len(IoU)==3 的输出格式（class0/1/2）

• test_custom.py

• 同样把 FSD 头选择改为 if n_segcls in (2, 3)

• 新增 len(IoU)==3 的显示

• 脚本末尾 segtest_fsd(..., n_segcls=3, ...)

---

你需要确认的数据侧前提

为了真正训练出“路沿=2”，你的 FSD 标注 mask 里要有该类别值：

• 0 不可行驶

• 1 可行驶

• 2 路沿

并且不要把 2 映射成忽略类。当前 CustomSegmentation 流程只把 127/255 处理为忽略，不会吞掉 2。

---

如果你愿意，我下一步可以帮你加一个很小的检查：训练前随机扫几张 FSD 标注，打印是否出现类别 2，避免“配置改了但数据里没有路沿类”。

===============

网络结构中yolov5s_custom_seg_big.yaml (87) 是fsd分支的输出吧，那rm分支的输出在哪里

是的，yolov5s_custom_seg_big.yaml 里这一层就是“分割头入口”，但它同时输出 FSD 和 RM 两个分支，不是只输出 FSD。

关键点：

• 在 yaml 中只有一个分割头配置：

  yolov5s_custom_seg_big.yamlLines 87-87

  [[16, 12, 8], 1, SegMaskPSP, [n_segcls, 3, 512, False]],

• SegMaskPSP 在实现里返回的是两个张量：

  yolo.pyLines 534-544

  output_fsd = self.m(x[0])

  output_rm = self.decoder1(feat)

  return output_fsd,output_rm

所以 RM 输出不在 yaml 里单独再写一行，而是在这个 SegMaskPSP 模块内部 decoder1(feat) 产出。

训练代码也印证了这一点：

• FSD 用 pred[1][0]

• RM 用 pred_rm[1][1]

train2.pyLines 785-851

pred = model(imgs)

segloss = compute_seg_loss(pred[1][0], segtargets.to(device))

...

pred_rm = model(seg_rm_imgs)

seg_rm_loss = compute_seg_loss(pred_rm[1][1], seg_rm_targets.to(device))

所以结论：RM 分支输出就在同一个 SegMaskPSP 层里，是它返回 tuple 的第二个分量。

那n_segcls: 3 的改动会不会对rm分支造成影响？代码中格是怎么控制rm分支和fsd分支的类别和类别数量的

不会影响 RM 分支（按你当前这套代码实现来说）。

现在代码里怎么控制 FSD / RM 类别数

1) n_segcls 只喂给 FSD 输出通道

yaml 的 n_segcls 在建模时传给 SegMaskPSP：

yolo.pyLines 1387-1392

def parse_model(d, ch):

    ...

    anchors, nc, gd, gw, n_segcls = ..., d['n_segcls']

在 SegMaskPSP 里：

• self.c_out = n_segcls（FSD通道数）

• FSD最后一层 Conv(..., self.c_out, ...)

yolo.pyLines 410-433

self.c_out = n_segcls

...

nn.Conv2d(c_hid//4, self.c_out, kernel_size=1, padding=0)

---

2) RM 通道数是单独写死的 class_num1 = 14

同一个 SegMaskPSP 内，RM 用的是另一条 decoder1 分支，输出通道是 self.class_num1，当前固定 14：

yolo.pyLines 414-460

self.class_num1 = 14

...

nn.Conv2d(c_hid//4, self.class_num1, kernel_size=1, padding=0)

所以你把 n_segcls: 2 -> 3，改变的是 FSD，不会改 RM 的 14 类。

---

3) 训练/验证也分开取分支

训练里：

• FSD 用 pred[1][0]

• RM 用 pred_rm[1][1]

train2.pyLines 825-851

segloss = compute_seg_loss(pred[1][0], ...)

seg_rm_loss = compute_seg_loss(pred_rm[1][1], ...)

验证里：

• FSD 传 n_segcls=3，走 outputs[1][0]

• RM 传 n_segcls=14，走 outputs[1][1]

---

结论

• n_segcls: 3 是给 FSD 新增“路沿类”用的，不会直接影响 RM 分支类别数。

• RM 类别数目前由 SegMaskPSP.class_num1 = 14 + 训练/验证中 RM 分支选择共同决定。

如果后续你想让 RM 类别数也可配置，我可以帮你改成 yaml 里单独加 n_rmcls。