标签:分割 target pred IOU 语义 hist classes np ious
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 = (20, 30)
classes = 19
pred = np.random.randint(0, classes, size)
target = np.random.randint(0, classes, size)
pred.flatten()
# 计算iou
def IOU(pred, target, nclass):
ious = []
for i in range(classes):
pred_ins = pred == i
target_ins = target == i
inser = pred_ins[target_ins].sum()
union = pred_ins.sum() + target_ins.sum() - inser
iou = inser / union
ious.append(iou)
return ious
# 采用numpy的函数bincount
def IOU2(pred, target, classes):
hist = np.zeros((classes, classes))
hist = np.bincount(pred.flatten() * classes + target.flatten())
hist = np.reshape(hist, (classes, classes))
ious = np.diag(hist) / (hist.sum(0) + hist.sum(1) - np.diag(hist))
return ious
if __name__ == "__main__":
ious = IOU(pred, target, classes)
ious2 = IOU2(pred, target, classes)
print(ious)
print(ious2)
reference
标签:分割,target,pred,IOU,语义,hist,classes,np,ious 来源: https://blog.csdn.net/u011622208/article/details/118526401
本站声明: 1. iCode9 技术分享网(下文简称本站)提供的所有内容,仅供技术学习、探讨和分享; 2. 关于本站的所有留言、评论、转载及引用,纯属内容发起人的个人观点,与本站观点和立场无关; 3. 关于本站的所有言论和文字,纯属内容发起人的个人观点,与本站观点和立场无关; 4. 本站文章均是网友提供,不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属;如您发现该文章侵犯了您的权益,可联系我们第一时间进行删除; 5. 本站为非盈利性的个人网站,所有内容不会用来进行牟利,也不会利用任何形式的广告来间接获益,纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。