mmlab中mmseg中的评价指标

config文件中验证阶段可以在tensorboard中显示的评价指标有:mDice,mIoU,mFscore
test.py 的参数设置中 --eval 可以设置测试阶段时计算的评价指标:mDice,mIoU,mFscore
test.py的debug过程
- 1 获得所有图片的交集像素和并集像素的统计直方图
- 2 根据所有测试集图像上的交集像素和并集像素统计直方图，计算各评估指标
- - 各评估指标Acc，IoU，Fscore的公式

config文件中验证阶段可以在tensorboard中显示的评价指标有:mDice,mIoU,mFscore

test.py 的参数设置中 --eval 可以设置测试阶段时计算的评价指标:mDice,mIoU,mFscore

结果文件中在测试集上各指标的数值大小

test.py的debug过程

1 获得所有图片的交集像素和并集像素的统计直方图

1.1 每张图片的结果 result

1.2每个图像结果计算交并像素统计直方图

1.2.1 统计直方图的获得过程
maks模板：将数据预处理时可能用到padding时使用的255像素去除掉（gt中只有0和1像素：二分类语义分割）

最终的所有图像的结果数据：四列（pred和gt交集中像素0和像素1的像素个数，pred和gt并集中0和1的像素个数，pred中0和1的像素个数，gt_label中0和1的像素个数）

2 根据所有测试集图像上的交集像素和并集像素统计直方图，计算各评估指标

此处固定了评价指标为mIoU,mDice,mFscore的子集

改变预测结果的数据维度：171->tuple 4x171

各评估指标Acc，IoU，Fscore的公式

两列为不同类别的分别的评价指标：在结果文件中显示为IoU.MA和IoU.background
aAcc= 交集中 0 和 1 的像素个数 g t 中 0 + 1 像素个数 \frac{交集中0和1的像素个数} {gt中0+1像素个数} gt中0+1像素个数交集中0和1的像素个数

IoU.background = 交集中 0 的像素个数并集中 0 的像素个数 \frac{交集中0的像素个数}{并集中0的像素个数} 并集中0的像素个数交集中0的像素个数
IoU.MA = 交集中 1 的像素个数并集中 1 的像素个数 \frac{交集中1的像素个数}{并集中1的像素个数} 并集中1的像素个数交集中1的像素个数
Acc.background = 交集中 0 的像素个数 g t 中 0 的像素个数 \frac{交集中0的像素个数}{gt中0的像素个数} gt中0的像素个数交集中0的像素个数
Acc.MA = 交集中 1 的像素个数 g t 中 1 的像素个数 \frac{交集中1的像素个数}{gt中1的像素个数} gt中1的像素个数交集中1的像素个数

Dice.background = 2 ∗ 交集中 0 的像素个数（ p r e d 中 0 的像素个数 + g t l a b e l 中 0 的像素个数） \frac{2*交集中0的像素个数}{（pred中0的像素个数+gt_label中0的像素个数）} （pred中0的像素个数+gtlabel中0的像素个数）2∗交集中0的像素个数
Dice.MA = 2 ∗ 交集中 1 的像素个数（ p r e d 中 1 的像素个数 + g t 中 1 的像素个数） \frac{2*交集中1的像素个数}{（pred中1的像素个数+gt中1的像素个数）} （pred中1的像素个数+gt中1的像素个数）2∗交集中1的像素个数

Precision.MA = 交集中 1 的像素个数 p r e d 中 1 的像素个数 \frac{交集中1的像素个数}{pred中1的像素个数} pred中1的像素个数交集中1的像素个数
Recall.MA = 交集中 1 的像素个数 g t 中 1 的像素个数 \frac{交集中1的像素个数}{gt中1的像素个数} gt中1的像素个数交集中1的像素个数
Fscore = precision和recall的调和平均

说明：

交集意味着预测正确
从公式中可以看出，Acc.MA = Recall.MA 即类别精确率=类别召回率

对IoU.background 和IoU.MA 等类别评价指标做np.nanmean()，并做四舍五入，并保留两位小数（这个打印到终端上）

mmseg中的评价指标相关推荐

机器学习中的评价指标--1[F,P,R]
机器学习中的评价指标--1[F,P,R] 机器学习中的评价指标 1.关于 P.R 值 2.F值的计算 3.其它 4.参考 5.附录机器学习中的评价指标关于这一部分,我将在遇到的时候,进行简要的说明 ...
综合评价模型的缺点_【必备】目标检测中的评价指标有哪些？
在人工智能领域,机器学习的效果需要用各种指标来评价.当一个目标检测模型建立好了之后,即模型训练已经完成,我们就可以利用这个模型进行分类识别.那么该如何去评价这个模型的性能呢? 上期我们一起学习了全卷积 ...
机器学习中的评价指标(分类指标评Accuracy、Precision、Recall、F1-score、ROC、AUC ）（回归指标评价MSE、RMSE、MAE、MAPE、R Squared）
文章目录 1.机器学习中的评价指标基础 (一)分类指标评价 1.Accuracy 2.Precision.查准率 3.Recall.查全率 4.F1-score 举个例子: 5.ROC 6.AUC ...
（一）图像检测中的评价指标
文章目录浅谈图像检测中的评价指标有哪些细分(研究一下其含义与意义) 1.准确率(Accuracy) 2.精确率(Precision) 3.召回率 4.F1值 5.AP值 6.mAP值 7.IOU( ...
python文本分类评价指标 top1如何计算_使用paddlehub自定义任务，具体是自定义文本分类任务中的评价指标时按照官方文档的方法做了之后报错了，请问应该如何解决？...
### 我的版本.环境信息 1)PaddleHub 1.8.2和PaddlePaddle版本1.8.4 2)系统环境:在Windows的AiStudio网页端跑的,python版本为3.7 复现信息: ...
终于有人把机器学习中的评价指标讲清楚了
前言在人工智能领域,机器学习的效果需要用各种指标来评价.本文将阐述机器学习中的常用性能评价指标,矢量卷积与神经网格的评价指标不包括在内. 训练与识别当一个机器学习模型建立好了之后,即模型训练 ...
回归任务中的评价指标MAE，MSE，RMSE，R-Squared
转自博客.仅供自己学习使用,如有侵权,请联系删除分类任务的评价指标有准确率,P值,R值,F1值,而回归任务的评价指标就是MSE,RMSE,MAE.R-Squared MSE 均方误差MSE是真实值与 ...
【深度学习中模型评价指标汇总（混淆矩阵、recall、precision、F1、AUC面积、ROC曲线、ErrorRate）】
深度学习中模型好坏的所有评价指标汇总(混淆矩阵.recall.precision.F1score.AUC面积.ROC曲线.ErrorRate) 导航 0.混淆矩阵 1.AUC面积 2.ROC曲线 3. ...
超全！目标跟踪中的评价指标有哪些？
作者 | 范厘针编辑 | 汽车人原文链接:https://zhuanlan.zhihu.com/p/602323326 点击下方卡片,关注"自动驾驶之心"公众号 ADAS巨卷 ...

mmseg中的评价指标