语义分割中求miou代码模板

最新推荐文章于 2025-05-26 16:38:55 发布

haohulala

最新推荐文章于 2025-05-26 16:38:55 发布

阅读量856

点赞数 2

分类专栏：计算机视觉

本文链接：https://blog.youkuaiyun.com/haohulala/article/details/112362221

版权

本文详细介绍了使用PyTorch进行图像分类，并通过混淆矩阵和IoU计算来评估模型性能。通过softmax函数预测概率分布，然后找到最大值对应的真实类别，生成混淆矩阵，进一步计算每个类别的IoU和整体的平均IoU (mIoU)。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

参考文章 https://www.jianshu.com/p/42939bf83b8a

import torch
import numpy as np
import matplotlib.pyplot as plt

def fast_hist(a, b, n):
    """
    生成混淆矩阵
    a 是形状为(HxW,)的预测值
    b 是形状为(HxW,)的真实值
    n 是类别数
    """
    # 确保a和b在0~n-1的范围内，k是(HxW,)的True和False数列
    a = a.numpy()
    b = b.numpy()
    k = (a >= 0) & (a < n)
    # 横坐标是预测的类别，纵坐标是真实的类别
    return np.bincount(a[k].astype(int) + n*b[k], minlength=n ** 2).reshape(n, n)

def per_class_iou(hist):
    """
    hist传入混淆矩阵(n, n)
    """
    # 因为下面有除法，防止分母为0的情况报错
    np.seterr(divide="ignore", invalid="ignore")
    # 交集：np.diag取hist的对角线元素
    # 并集：hist.sum(1)和hist.sum(0)分别按两个维度相加，而对角线元素加了两次，因此减一次
    iou = np.diag(hist) / (hist.sum(1) + hist.sum(0) - np.diag(hist))