语义分割评估指标mIOU

最新推荐文章于 2025-04-04 21:47:24 发布
最新推荐文章于 2025-04-04 21:47:24 发布
阅读量1.2k 收藏
点赞数
分类专栏： 深度学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/suyunzzz/article/details/105035692
版权
语义分割(4): miou指标计算详解
@bangbang的博客
01-13 3134
两方面的因素，做到了对于两者的调和，即：既要“求精”也要“求全”，做到不偏科。可作为语义分割系统性能的评价指标。a和b中每个元素代表。由于是多类别，没有负样本，因此。): 把正样本成功预测为正。)：把负样本错误地预测为正。)：把正样本错误的预测为负。)：把负样本成功预测为负。，也就是正确预测的像素个数。为0 ，即没有所谓的负样本。精确率或者精度，指的是。
语义分割评价指标
u012901740的博客
07-08 2392
语义分割是计算机视觉中的一个重要任务，其目标是将图像中的每个像素分类到一个特定的类别中。
pytorch语义分割计算mIoU
sakumashirayuki的博客
04-27 5569
版本：python3 pred为模型预测的label，像素0表示背景，像素1表示类别1，像素2表示类别2，以此类推。 target为groundtruth，这里读入格式为PIL image，格式不一样的请自行修改 这里的n_classes是目标物类别数。比如，对于只有背景和一个检测物类别的二分类问题，n_classes=1 因为pythonfor循环的range(a,b)，范围其实为[a,b)，所...
【语义分割】——计算IOU
怡宝2号
07-06 2450
参考自：https://github.com/dilligencer-zrj/code_zoo/blob/master/compute_mIOU python版本 直接就是对每个类别进行求解交集和并集 numpy版本 采用numpy的bitcount分布。这里的分布做了一种变换target × nclass + pred，这样预测正确的像素点都在hist矩阵的对角线上。 import numpy as np from numpy.lib.twodim_base import diag size = (.
语义分割模型评估】mIoU/Dice/PA等6大指标详解（附代码实现）
最新发布
weixin_51282074的博客
04-04 714
导语： 当你的语义分割模型测试集准确率高达95%时，先别急着发朋友圈！本文将用**“人话+公式+代码”**三件套，拆解6大核心指标背后的数学原理，帮你彻底看穿那些“高指标陷阱”！语义分割任务需要同时解决两个问题： 致命陷阱：若背景占90%，全猜背景PA=0.9，但实际目标全错！ 2. 交并比（IoU）—— 严苛的“区域检察官” 人话版：预测区域与真实区域的重叠比例 公式： IoU=TPTP+FP+FNIoU = \frac{TP}{TP + FP + FN}IoU=TP+FP+FNTP​ 代码实现：
项目记录--语义分割（逐像素点计算Iou）
weixin_42618420的博客
05-15 1536
for i in detection_results_ori: detection_results_ori[i] = np.reshape(detection_results_ori[i], (-1)) # 在算iou时，要展成一维的矩阵，类似与one-hot detection_results[i] = np.reshape(detection_results[i], (-1)) # print(detection_results_ori[i]) ...
直观理解语义分割中IOU
weixin_41336273的博客
03-30 1386
直观理解语义分割中IOU IOU = Intersection Over Union，即 交并比，语义分割中衡量算法性能的指标。 下图可直观地看出IOU的意思，若黄色部分是groud truth，绿色部分是prediction，则IOU如下： 公式如下： IOC=sizeof(Green∩Yellow)siezof(Green∪Yellow) IOC = \frac{sizeof(Green\cap Yellow) }{siezof(Green\cup Yellow)} IOC=siezof(Green∪
计算 语义分割结果 MIOU，miou.py操作简单，输出结果清晰
07-02
# 执行命令： python miou.py --labels=D:/.../labels --pred=D:/../infer # 其中 --labels 为标注图片路径 --pred 为预测出的图片路径 # 最终结果会打印输出，也会在同级目录下，生成一个txt文档，保存各个类别 iou # 操作极为简单
语义分割评价指标mIOU
laoliaixuexi的博客
09-09 5359
mIOU定义 Mean Intersection over Union(MIoU，均交并比)，为语义分割的标准度量。其计算两个集合的交集和并集之比，在语义分割问题中，这两个集合为真实值（ground truth）和预测值（predicted segmentation）。这个比例可以变形为TP（交集）比上TP、FP、FN之和（并集）。在每个类上计算IoU，然后取平均。 pij表示真实值为i，被预测...
图片语义分割评价指标计算miou、precision、recall
normal_moon的博客
04-09 6064
一、通过histogram计算miou、precision、recall 通过python的numpy包中的histogram函数计算图像语义分割的评价指标。 这里想得出每一类的评价指标，而不是一个整体的，故采用 对于某一张图片 imlabel和impred均为h*w的矩阵,且每个像素点的值为1～numclass 则 TPmat=impred∗(impred==imlabel)TP_mat=imp...
语义分割常见指标汇总（DL）
weixin_56671360的博客
08-01 1179
在深度学习语义分割中，评估模型性能的指标有多种，每种指标衡量模型在不同方面的表现。
语义分割的评价指标——IoU
热门推荐
lingzhou33的博客
02-25 7万+
文章目录语义分割的评价指标IoU or IU（intersection over union） 语义分割的评价指标 在整理评价指标之前，先补充一下预备知识。 我们在进行语义分割结果评价的时候，常常将预测出来的结果分为四个部分：true positive,false positive,true negative,false negative,其中negative就是指非物体标签的部分(可以直接理解为...
语义分割代码阅读---评价指标mIoU的计算
u012370185的博客
07-01 4万+
1. 语义分割IoU的定义 传统意义上的IoU(Intersection over Union，交并比) 直观表示: 公式: 语义分割中的IoU 在语义分割的问题中，这两个集合为真实值（ground truth）和预测值（predicted segmentation）。 这个比例可以变形为正真数（intersection）比上真正、假负、假正（并集）之和。在每个类上计算Io...
手写目标检测与语义分割中的IOU
weixin_38646522的博客
05-13 1764
大家好，我是灿视。 今天给大家带来两道纯工程的题，是一位博士在面试face++时，被问到的。 看文章之前，别忘了关注我们，在我们这里，有你所需要的干货哦！ 1. 目标检测中的IOU 假设，我们有两个框，rec1rec1rec1与rec2rec2rec2，我们要计算其IOUIOUIOU。其中IOUIOUIOU的计算公式为，其交叉面积IntersectionIntersectionIntersection除以其并集UnionUnionUnion。 IOUIOUIOU的数学公式为： IoU=Srec1∩Srec
语义分割之评价指标MIoU介绍
weixin_42028608的博客
03-29 5321
预备知识 我们在进行语义分割结果评价的时候，常常将预测出来的结果分为四个部分：True Positive，False Positive，True Negative，False Negative，其中negative就是指非物体标签的部分(可以直接理解为背景)，那么显而易见的，positive就是指有标签的部分。下图显示了四个部分的区别： 在图上可以清晰的看到，prediction图被分成四个部分...
目标检测(IOU) + 语义分割(mIOU) +NMS
ytusdc的博客
03-21 7807
一、IOU 我们先来看下IOU的公式： 现在我们知道矩形T的左下角坐标(X0,Y0)，右上角坐标(X1,Y1); 矩形G的左下角坐标(A0,B0)，右上角坐标(A1,B1) 这里我们可以看到和在确定坐标而不确定两个矩形是否相交的情况下，为已知的常量． 所以，我们只需要求解就行 这里我们先来看一下水平方向上的情况： 从上述的三种情况中我们可以看出： 当有重叠或者...
语义分割常用metric
kakak_的博客
05-15 2085
Pixel acc：比较预测label和实际label，像素级别误差。对于位置的偏移过分敏感，肉眼不可见的偏移都会产生大量的像素误差。 IOU: 交并比，DetectionResult与Ground Truth的交集比上它们的并集。只是从单个像素点本身去考虑该点的预测是否与label重合，而没有从全局去考虑预测的整体形状是否与label结果形状吻合。 混淆矩阵（Confusion Matrix） 分别统计分类模型中归错，归对类的观测值的个数，然后把结果放在一个表里展示出来。 矩阵对角线上的数字，为当.
语义分割-基础知识
absence521的博客
02-18 720
mean_iou=各个类别的像素预测准确值相加/像素总个数2.转置卷积(Transposed Convolution)cls0_iou=预测正确的像素个数/（预测为该类别的像素个数+真实标签为该类别的像素个数-预测正确的像素个数）2.在输入特征图四周填充k-p-1行，列0。1.在输入特征图元素间填充s-1行，列0。4.做正常卷积运算（填充0，步距1）3.将卷积核参数上下、左右翻转。转置卷积不是卷积的逆运算。
语义分割aAcc、mIoU、mAcc
03-04
### 语义分割评估指标解释 #### 平均像素准确率 (aAcc) 平均像素准确率表示所有类别的总预测正确的像素数占全部像素的比例。该度量反映了模型整体分类的准确性。 \[ \text{aAcc} = \frac{\sum_{i=1}^{N}\sum_{j=1}^{W*H} T(i,j)}{\sum_{i=1}^{N}\sum_{j=1}^{W*H} P(j)} \] 其中 \(T(i, j)\) 表示第 \(i\) 类图像中位置 \(j\) 处的真实标签与预测一致的情况；\(P(j)\) 是所有类别在位置 \(j\) 上的预测总数[^1]。 #### 平均交并比 (mIoU) 平均交并比衡量的是不同类别之间预测区域和真实标注区域之间的重叠程度，定义如下： 对于每一个类别 \(c\): \[ \text{IoU}(c)=\frac{|X_c ∩ Y_c|}{|X_c∪Y_c|}=\frac{T(c)}{F(c)+B(c)-T(c)} \] 这里 \(X_c\) 和 \(Y_c\) 分别代表类别 \(c\) 的真值集合以及预测结果集合；而 \(T(c), F(c), B(c)\) 则分别对应正确检测到的目标数量、错误标记为其他类的数量和其他被误认为此类目标的数量。最终 mIoU 就是对各个类别的 IoU 取平均值得来: \[ \text{mIoU}= \frac{1}{C}\sum_{c=1}^{C}\text{IoU}(c) \] 这种评价方式能够更公平地反映模型性能，尤其是当各类样本分布不均衡时更为重要[^2]。 #### 平均精度 (mAcc) 平均精度指的是每种类别下预测正确的像素比例相对于该类别实际存在的像素总量之比，即： \[ \text{Acc}(c)=\frac{T(c)}{G(c)} \] 这里的 \(G(c)\) 表达了属于类别 \(c\) 的地面实况像素数目。最后通过取各单个 Acc 的算术平均获得整个数据集上的 mAcc : \[ \text{mAcc}= \frac{1}{C}\sum_{c=1}^{C}\text{Acc}(c) \] 这有助于理解模型针对特定对象识别的能力，特别是在某些场景中有较多背景或其他干扰物的情况下。 ```python def calculate_metrics(confusion_matrix): """ 计算混淆矩阵中的各项评价指标 参数: confusion_matrix -- numpy数组形式的混淆矩阵 返回: metrics_dict -- 字典类型的评价指标结果 """ # 初始化变量存储计算后的统计信息 total_pixels = np.sum(confusion_matrix) # 计算全局准确率（PA） correct_predictions = sum([confusion_matrix[i][i] for i in range(len(confusion_matrix))]) pa = correct_predictions / float(total_pixels) # 准备用于后续运算的数据结构 true_positives = [] false_negatives = [] false_positives = [] for idx_class in range(len(confusion_matrix)): tp = confusion_matrix[idx_class,idx_class] fn = sum(confusion_matrix[idx_class,:]) - tp fp = sum(confusion_matrix[:,idx_class]) - tp true_positives.append(tp) false_negatives.append(fn) false_positives.append(fp) # 计算每个类别的IOU ious = [(tp/(tp+fn+fp)) if ((tp+fn+fp)>0) else 0 \ for tp,fn,fp in zip(true_positives,false_negatives,false_positives)] miou = np.mean(ious) # 计算每个类别的ACC accs = [((true_positives[c]/np.sum(confusion_matrix[c]))\ if(np.sum(confusion_matrix[c])>0)\ else 0)for c in range(len(confusion_matrix))] macc = np.mean(accs) return {"pa": pa,"miou": miou,"macc": macc} ```
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

Tech沉思录

点赞加投币，感谢您的资瓷~

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值