miou 代码 VOC2012

#!/usr/bin/python
# -*- coding: utf-8 -*-import numpy as np
import argparse
import json
from PIL import Image
from os.path import join
import cv2
from mmm.fullcrop import unpadding
from matplotlib import pyplot as plt
# 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,)；n是类别数目，实数（在这里为19）'''核心代码'''k = (a >= 0) & (a < n)  # k是一个一维bool数组，形状(H×W,)；目的是找出标签中需要计算的类别（去掉了背景） k=0或1hist = np.bincount(n * a[k].astype(int) + b[k], minlength=n ** 2)# if hist.shape!=(441,):# assert hist.shape==(441,)return np.bincount(n * a[k].astype(int) + b[k], minlength=n ** 2).reshape(n,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)def per_class_iu(hist):  # 分别为每个类别（在这里是19类）计算mIoU，hist的形状(n, n)'''核心代码'''return np.diag(hist) / (hist.sum(1) + hist.sum(0) - np.diag(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,)# hist.sum(0)=按列相加  hist.sum(1)按行相加# def label_mapping(input, mapping):#主要是因为CityScapes标签里面原类别太多，这样做把其他类别转换成算法需要的类别（共19类）和背景（标注为255）
#    output = np.copy(input)#先复制一下输入图像
#    for ind in range(len(mapping)):
#        output[input == mapping[ind][0]] = mapping[ind][1]#进行类别映射，最终得到的标签里面之后0-18这19个数加255（背景）
#    return np.array(output, dtype=np.int64)#返回映射的标签
'''compute_mIoU函数原始以CityScapes图像分割验证集为例来计算mIoU值的（可以根据自己数据集的不同更改类别数num_classes及类别名称name_classes），本函数除了最主要的计算mIoU的代码之外，还完成了一些其他操作，比如进行数据读取，因为原文是做图像分割迁移方面的工作，因此还进行了标签映射的相关工作，在这里笔者都进行注释。大家在使用的时候，可以忽略原作者的数据读取过程，只需要注意计算mIoU的时候每张图片分割结果与标签要配对。主要留意mIoU指标的计算核心代码即可。
'''def compute_mIoU(gt_dir, pred_dir, devkit_dir):  # 计算mIoU的函数"""Compute IoU given the predicted colorized images and"""# with open('/home/ubuntu/DeepLab/datasets/VOCdevkit/VOC2012/ImageSets/Segmentation/info.json', 'r') as fp:#     # 读取info.json，里面记录了类别数目，类别名称。（我们数据集是VOC2011，相应地改了josn文件）#     info = json.load(fp)# num_classes = np.int(info['classes'])  # 读取类别数目，这里是20类# print('Num classes', num_classes)  # 打印一下类别数目# name_classes = np.array(info['label'], dtype=np.str)  # 读取类别名称# # mapping = np.array(info['label2train'], dtype=np.int)#读取标签映射方式，详见博客中附加的info.json文件# hist = np.zeros((num_classes, num_classes))  # hist初始化为全零，在这里的hist的形状是[20, 20]#原代码是有进行类别映射，所以通过json文件来存放类别数目、类别名称、 标签映射方式。而我们只需要读取类别数目和类别名称即可，可以按下面这段代码将其写死num_classes=21print('Num classes', num_classes)name_classes = ["background","aeroplane","bicycle","bird","boat","bottle","bus","car", "cat","chair","cow","diningtable","dog","horse","motobike","person","pottedplant","sheep","sofa","train","tvmonitor"]hist = np.zeros((num_classes, num_classes))image_path_list = join(devkit_dir, 'val.txt')  # 在这里打开记录分割图片名称的txtlabel_path_list = join(devkit_dir, 'val.txt')  # ground truth和自己的分割结果txt一样gt_imgs = open(label_path_list, 'r').read().splitlines()  # 获得验证集标签名称列表gt_imgs = [join(gt_dir, x) for x in gt_imgs]  # 获得验证集标签路径列表，方便直接读取pred_imgs = open(image_path_list, 'r').read().splitlines()  # 获得验证集图像分割结果名称列表pred_imgs = [join(pred_dir, x) for x in pred_imgs]# pred_imgs = [join(pred_dir, x.split('/')[-1]) for x in pred_imgs]#获得验证集图像分割结果路径列表，方便直接读取for ind in range(len(gt_imgs)):  # 读取每一个（图片-标签）对pred = np.array(Image.open(pred_imgs[ind]+'.png'))  # 读取一张图像分割结果，转化成numpy数组label = np.array(Image.open(gt_imgs[ind]+'.png'))  # 读取一张对应的标签，转化成numpy数组# print pred.shape# print label.shape# label = label_mapping(label, mapping)#进行标签映射（因为没有用到全部类别，因此舍弃某些类别），可忽略if len(label.flatten()) != len(pred.flatten()):# 如果图像分割结果与标签的大小不一样，这张图片就不计算# print('Skipping: len(gt) = {:d}, len(pred) = {:d}, {:s}, {:s}'.format(len(label.flatten()),#                                                                      len(pred.flatten()), gt_imgs[ind],#                                                                       pred_imgs[ind]))lab_shape = label.shapepred = unpadding(lab_shape,pred)#todo : uppadding#pred = cv2.resize(pred, label.shape, interpolation=cv2.INTER_NEAREST)hist += fast_hist(label.flatten(), pred.flatten(), num_classes)  # 对一张图片计算19×19的hist矩阵，并累加# if ind > 0 and ind % 10 == 0:  # 每计算10张就输出一下目前已计算的图片中所有类别平均的mIoU值#     print('{:d} / {:d}: {:0.2f}'.format(ind, len(gt_imgs), 100 * np.mean(per_class_iu(hist))))#     print(per_class_iu(hist))mIoUs = per_class_iu(hist)  # 计算所有验证集图片的逐类别mIoU值for ind_class in range(num_classes):  # 逐类别输出一下mIoU值print('===>' + name_classes[ind_class] + ':\t' + str(round(mIoUs[ind_class] * 100, 2)))print('===> mIoU: ' + str(round(np.nanmean( mIoUs) * 100, 2)))  # 在所有验证集图像上求所有类别平均的mIoU值，计算时忽略NaN值return mIoUs# root_dir = '/home/DATA/DATASET/VOC2012/VOC2012/'
# gt_dir = root_dir+'SegmentationClass/'
# list_dir = root_dir+'ImageSets/Segmentation/'
# #pred_dir = '/home/DATA/liutian/tmp/deep/Keras-segmentation-deeplab-v3.1-master/mmm/pred_no_white/'
# pred_dir = gt_dir
# iou = compute_mIoU(gt_dir,
#              pred_dir,
#              list_dir
#              )  # 执行主函数 三个路径分别为 ‘ground truth’,'自己的实验分割结果'，‘分割图片名称txt文件’
# print(iou)

这是直接改好的VOC2012，官方解压目录分级，只要你是官方文件夹直接解压，那么都是下面这样。代码不用改，只需要指定自己预测图片目录，图片保存格式要和官方一样，具体保存上色代码：https://blog.csdn.net/u013249853/article/details/94715443

    PATH = '/home/DATA/DATASET/VOC2012/VOC2012'    gt_dir = root_dir + 'SegmentationClass/'list_dir = root_dir + 'ImageSets/Segmentation/'pred_dir = savedir#这里是你自己图片保存的目录import miouresult = miou.compute_mIoU(gt_dir,savedir,list_dir)print(result)

这个代码得到的miou与deeplabv3+稍有出入，高了0.5%

可以接受

参考：https://blog.csdn.net/weixin_42188270/article/details/86632714#comments

https://blog.csdn.net/jiongnima/article/details/84750819

miou 代码 VOC2012相关推荐

混淆矩阵与miou代码
一.混淆矩阵 # 计算混淆矩阵 def generate_matrix(num_class,gt_image, pre_image):#正确的gt_maskmask = (gt_image >= ...
语义分割MIoU代码解析
1. MIoU 源码解析TensorFlow 和 PyTorch 源码解析 2.[语义分割]语义分割评估指标mIOU 3. 语义分割代码阅读-评价指标mIoU的计算 4. 深度学习计算机视觉图像分割领 ...
python 图像语义分割mIOU代码详解
mIOU公式在此不赘述. 1.fast_hist(label.flatten(), pred.flatten(), num_classes) 2.生成关于像素的混淆矩阵 k = (a >= 0) ...
语义分割指标---MIoU详细介绍（原理及代码）
一.IOU理解在语义分割的问题中,交并比就是该类的真实标签和预测值的交和并的比值单类的交并比可以理解为下图: TP: 预测正确,真正例,模型预测为正例,实际是正例 FP: 预测错误,假正例,模型预 ...
【Dilated Conv】《Multi-Scale Context Aggregation by Dilated Convolutions》
ICLR-2016 文章目录 1 Background and Motivation 2 Advantages / Contributions 3 Method 3.1 Dilated Convolu ...
通过对比对象掩码建议的无监督语义分割
点击上方"小白学视觉",选择加"星标"或"置顶" 重磅干货,第一时间送达小白导读论文是学术研究的精华和未来发展的明灯.小白决心每天为大家 ...
CFPNet：用于实时语义分割的通道特征金字塔
论文地址:CFPNet: Channel-wise Feature Pyramid for Real-Time Semantic Segmentation 代码地址: https://github.c ...
隐私合规:收集SDK部分介绍
com.meizu.cloud.pushsdk.SystemReceiver 魅族推送服务是由魅族公司为开发者提供的消息推送服务,开发者可以向集成了魅族 push SDK 的客户端实时地推送通知或者消 ...
图像分割评测指标MIOU之python代码详解
Pixel Accuracy(PA,像素精度):这是最简单的度量,为标记正确的像素占总像素的比例. Mean Pixel Accuracy(MPA,均像素精度):是PA的一种简单提升,计算每个类内被正 ...
【语义分割】评价指标：PA、CPA、MPA、IoU、MIoU详细总结和代码实现（零基础从入门到精通系列！）
文章目录引言 1 混淆矩阵 2 语义分割 PA:像素准确率 CPA:类别像素准确率 MPA:类别平均像素准确率 IoU:交并比 MIoU:平均交并比 3 综合实例步骤一:输入真实.预测图片步骤二 ...

miou 代码 VOC2012

miou 代码 VOC2012相关推荐

最新文章

热门文章