MIoU，Mean IoU，Mean Intersection over Union，均交并比

最新推荐文章于 2025-03-24 14:24:50 发布

JNingWei

最新推荐文章于 2025-03-24 14:24:50 发布

阅读量2.4k

点赞数 2

分类专栏：语义分割文章标签：深度学习机器学习人工智能

本文链接：https://blog.youkuaiyun.com/JNingWei/article/details/120125220

版权

语义分割专栏收录该内容

36 篇文章

订阅专栏

本文介绍了MIoU（Mean Intersection over Union）的概念，它是衡量语义分割任务中预测与真实标签匹配程度的重要指标。通过计算两圆交集与并集的比例，MIoU可以评估模型的性能。提供的代码示例展示了如何使用sklearn库计算MIoU，包括混淆矩阵的使用以及均值IoU的计算过程。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

MIoU（Mean IoU，Mean Intersection over Union，均交并比，交集 / 并集），也就是语义分割中所谓的 Mask IoU 。
MIoU：计算两圆交集（橙色TP）与两圆并集（红色FN+橙色TP+黄色FP）之间的比例，理想情况下两圆重合，比例为1。

 from sklearn.metrics import confusion_matrix  
 import numpy as np

 def compute_iou(y_pred, y_true):
     # ytrue, ypred is a flatten vector
     y_pred = y_pred.flatten()
     y_true = y_true.flatten()
     current = confusion_matrix(y_true, y_pred, labels=[0, 1])
     # compute mean iou
     intersection = np.diag(current)
     ground_truth_set = current.sum(axis=1)
     predicted_set = current.sum(axis=0)
     union = ground_truth_set + predicted_set - intersection
     IoU = intersection / union.astype(np.float32)
     return np.mean(IoU)