注意事项

这是针对重构了的语义分割网络，而不是之前的那个，所以不要询问原来的网络计算miou要怎么做，因为整个文件构架差距过大，建议使用新构架。
新版的PSPnet：https://blog.csdn.net/weixin_44791964/article/details/106933112

学习前言

算一下语义分割的mIOU，做好生态链。

什么是mIOU

Mean Intersection over Union(MIoU，均交并比)：其是语义分割的标准度量。

在了解mIOU之前，首先先了解一下IOU是什么，IOU的英文全称为Intersection over Union，中文简称为交并比，也就是交和并的比值。

在语义分割的问题中，单类的交并比就是该类的真实标签和预测值的交和并的比值。示意图如下：

在图中，A为真实标签，占据了图像的一定区域；B为预测结果，占据了图像的一定区域。中间的TP部分就是真实标签和预测值的交，图像整个有颜色的部分就是真实标签和预测值的并。

而mIOU就是该数据集中的每一个类的交并比的平均。

计算公式如下：
i表示真实值，j表示预测值，pijp_{ij}pij表示将i预测为j

mIOU的计算

1、计算混淆矩阵：

混淆矩阵听起来很牛逼，其实实际上的实现非常简单。
假设我们现在有一百个样本，分别属于1、2、3、4类，每个类都有二十五个样本。

我们利用网络去进行分类，此时我们可以通过一个矩阵去表现出最终的预测效果，就是混淆矩阵。

每一行之和是该类的真实样本数量，每一列之和是预测为该类的样本数量。

我们来看第一行，第一行意味着，有20个实际为类1的样本被分为类1，有2个实际为类1的样本被分为类2，有1个实际为类1的样本被分为类3，有1个实际为类1的样本被分为类4。

2、计算IOU：

混淆矩阵的对角线上的值是该类的交。
混淆矩阵的每一行再加上每一列，最后减去对角线上的值就是该类的并。

比如对于类1而言，一行一列是True Positive也就是，一行二列、三列、四列都是False Negative，二行一列、三行一列、四行一列都是False Positive。
按照IOU的示意图与公式，可以算出来
IOU类1=20/((20+2+1+2)+(20+3+1+1)−20)=2/3IOU_{类1} = 20 / ((20+2+1+2) + (20 + 3 + 1+ 1) - 20) = 2/3 IOU类1=20/((20+2+1+2)+(20+3+1+1)−20)=2/3
计算代码如下：

# 设标签宽W，长H
def fast_hist(a, b, n):# a是转化成一维数组的标签，形状(H×W,)；b是转化成一维数组的标签，形状(H×W,)k = (a >= 0) & (a < n)# np.bincount计算了从0到n**2-1这n**2个数中每个数出现的次数，返回值形状(n, n)# 返回中，写对角线上的为分类正确的像素点return np.bincount(n * a[k].astype(int) + b[k], minlength=n ** 2).reshape(n, n)  def per_class_iu(hist):# 矩阵的对角线上的值组成的一维数组/矩阵的所有元素之和，返回值形状(n,)return np.diag(hist) / (hist.sum(1) + hist.sum(0) - np.diag(hist))

3、计算mIOU：

mIOU就是每一个类的IOU的平均，所以只需要对每一个类都按照第二步的公式计算IOU，再求平均获得mIOU就行了。

np.mean(per_class_iu(hist)

计算miou

注意哈！！！
注意哈！！！
注意哈！！！

由于voc数据集的测试集并没有公开标签，我们以验证集为例，进行演示。
由于现在只出了新版的PSPnet的库，所以以PSPnet的库为例，进行演示。

首先把数据集按照voc格式摆好。

由于我现在使用的是官方的voc验证集，所以val.txt是官方提供好的。

如果大家想要验证自己的数据集，可以在voc2pspnet.py中修改train_percent改变验证集的比例（train_percent=0.9表示验证集为10%）。

修改完成后运行voc2pspnet.py。

在完成val.txt的生成后，修改pspnet.py中的num_classes为自己分的类的个数、model_path为权值文件路径。

class PSPNet(object):#-----------------------------------------##   注意修改model_path和num_classes#   使其符合自己的模型#-----------------------------------------#_defaults = {"model_path"        :   'model_data/pspnet_mobilenetv2.pth',"model_image_size"  :   (473, 473, 3),"downsample_factor" :   16,"num_classes"       :   21,"backbone"          :   "mobilenet","cuda"              :   True,"blend"             :   True,}

运行根目录的get_miou_prediction.py。

此时会生成预测灰度图。

然后运行根目录下的miou.py就会开始计算miou了。

憨批的语义分割重制版2——语义分割评价指标mIOU的计算相关推荐

憨批的语义分割重制版11——Keras 搭建自己的HRNetV2语义分割平台
憨批的语义分割重制版11--Keras 搭建自己的HRNetV2语义分割平台学习前言什么是HRNetV2模型代码下载 HRNetV2实现思路一.预测部分 1.主干网络介绍 a.Section- ...
憨批的语义分割重制版7——Tensorflow2 搭建自己的Unet语义分割平台
憨批的语义分割重制版7--Tensorflow2 搭建自己的Unet语义分割平台注意事项学习前言什么是Unet模型代码下载 Unet实现思路一.预测部分 1.主干网络介绍 2.加强特征提取结 ...
憨批的语义分割重制版9——Pytorch 搭建自己的DeeplabV3+语义分割平台
憨批的语义分割重制版9--Pytorch 搭建自己的DeeplabV3+语义分割平台注意事项学习前言什么是DeeplabV3+模型代码下载 DeeplabV3+实现思路一.预测部分 1.主干 ...
憨批的语义分割重制版6——Pytorch 搭建自己的Unet语义分割平台
憨批的语义分割重制版6--Pytorch 搭建自己的Unet语义分割平台注意事项学习前言什么是Unet模型代码下载 Unet实现思路一.预测部分 1.主干网络介绍 2.加强特征提取结构 3. ...
语义分割重制版1——Pytorch 搭建自己的Unet语义分割平台
转载:https://blog.csdn.net/weixin_44791964/article/details/108866828?spm=1001.2014.3001.5501 对应b站视频:ht ...
憨批的语义分割6——制作语义分割数据标签
憨批的语义分割6--制作语义分割数据集学习前言制作工具Labelme Labelme的使用标签文件内容学习前言有些小伙伴问怎么制作数据集,其实我也没有去制作过--所以也要学学啦, 制作工具L ...
憨批的语义分割4——pspnet模型详解以及训练自己的pspnet模型（划分斑马线）
憨批的语义分割4--pspnet模型详解以及训练自己的pspnet模型(划分斑马线) 注意事项学习前言模型部分什么是pspnet模型 pspnet模型的代码实现 1.主干模型Mobilenet. ...
红警1开源放出源码，4K高清重制版登顶Steam畅销榜！网友：青春回来了
大数据文摘出品作者:笪洁琼 "Sir,yes sir." "You've got no place to hide!" "You'll be a s ...
无路可逃java攻略_生化危机2重制版无路可逃怎么过_100丧尸模式幽灵生还者无路可逃流程攻略_3DM单机...
<生化危机2:重制版>的幽灵生还者DLC中,当玩家通关了前面的三章之后就能解锁第四章--无路可逃,这个关卡需要解决100个丧尸,难度十分之高,下面小编就为大家带来一篇"lu_mk ...

憨批的语义分割重制版2——语义分割评价指标mIOU的计算