miou值,mimi代码是什么

import numpy as npimport argparseimport jsonfrom PIL import Imagefrom os.path import join# 设标签宽W，长Hdef 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） 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,)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函数是以CityScapes图像分割验证集为例来计算mIoU值的由于作者个人贡献的原因，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(join(devkit_dir, 'info.json'),'r') as fp: # 读取info.json，里面记录了类别数目，类别名称，标签映射方式等等。 info = json.load(fp) num_classes = np.int(info['classes']) # 读取类别数目，这里是19类，详见博客中附加的info.json文件 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，详见博客中附加的info.json文件 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 ## 1 hist = np.zeros((num_classes, num_classes)) # hist初始化为全零，在这里的hist的形状是[19, 19] image_path_list = join(devkit_dir, 'val.txt') # 在这里打开记录验证集图片名称的txt label_path_list = join(devkit_dir, 'label.txt') # 在这里打开记录验证集标签名称的txt 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.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 ## 2 pred pred = np.array(Image.open(pred_imgs[ind])) # 读取一张图像分割结果，转化成numpy数组 ## 3 g_t label = np.array(Image.open(gt_imgs[ind])) # 读取一张对应的标签，转化成numpy数组 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])) continue ## 4 计算 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)))) ## 5预测 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 mIoUsdef main(args): compute_mIoU(args.gt_dir, args.pred_dir, args.devkit_dir) # 执行计算mIoU的函数if __name__ == "__main__": parser = argparse.ArgumentParser() parser.add_argument('gt_dir', type=str, help='directory which stores CityScapes val gt images') # 设置gt_dir参数，存放验证集分割标签的文件夹 parser.add_argument('pred_dir', type=str, help='directory which stores CityScapes val pred images') # 设置pred_dir参数，存放验证集分割结果的文件夹 parser.add_argument('--devkit_dir', default='dataset/cityscapes_list', help='base directory of cityscapes') # 设置devikit_dir文件夹，里面有记录图片与标签名称及其他信息的txt文件 args = parser.parse_args() main(args) # 执行主函数"""核心代码def fast_hist(a, b, n): k = (a >= 0) & (a < n) return np.bincount(n * a[k].astype(int) + b[k], minlength=n ** 2).reshape(n,n)def per_class_iu(hist): return np.diag(hist) / (hist.sum(1) + hist.sum(0) - np.diag(hist))def compute_per_iou(pred, label, cls_nums, hist): hist += fast_hist(label.flatten(), pred.flatten(), cls_nums) mIoUs = per_class_iu(hist) mIoU = np.nanmean(mIoUs) return mIoUs, mIoU"""