#!/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 # 設標簽寬W，長H def fast_hist(a, b, n): # a是轉化成一維數組的標簽，形狀(H×W,)；b是轉化成一維數組的標簽，形狀(H×W,)；n是類別數目，實數（在這里為19）'''核心代碼'''k = (a >= 0) & (a < n) # k是一個一維bool數組，形狀(H×W,)；目的是找出標簽中需要計算的類別（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計算了從0到n**2-1這n**2個數中每個數出現的次數，返回值形狀(n, n)def per_class_iu(hist): # 分別為每個類別（在這里是19類）計算mIoU，hist的形狀(n, n)'''核心代碼'''return np.diag(hist) / (hist.sum(1) + hist.sum(0) - np.diag(hist)) # 矩陣的對角線上的值組成的一維數組/矩陣的所有元素之和，返回值形狀(n,)# hist.sum(0)=按列相加 hist.sum(1)按行相加# def label_mapping(input, mapping):#主要是因為CityScapes標簽里面原類別太多，這樣做把其他類別轉換成算法需要的類別（共19類）和背景（標注為255） # output = np.copy(input)#先復制一下輸入圖像 # for ind in range(len(mapping)): # output[input == mapping[ind][0]] = mapping[ind][1]#進行類別映射，最終得到的標簽里面之后0-18這19個數加255（背景） # return np.array(output, dtype=np.int64)#返回映射的標簽 '''compute_mIoU函數原始以CityScapes圖像分割驗證集為例來計算mIoU值的（可以根據自己數據集的不同更改類別數num_classes及類別名稱name_classes），本函數除了最主要的計算mIoU的代碼之外，還完成了一些其他操作，比如進行數據讀取，因為原文是做圖像分割遷移方面的工作，因此還進行了標簽映射的相關工作，在這里筆者都進行注釋。大家在使用的時候，可以忽略原作者的數據讀取過程，只需要注意計算mIoU的時候每張圖片分割結果與標簽要配對。主要留意mIoU指標的計算核心代碼即可。 '''def compute_mIoU(gt_dir, pred_dir, devkit_dir): # 計算mIoU的函數"""Compute IoU given the predicted colorized images and"""# with open('/home/ubuntu/DeepLab/datasets/VOCdevkit/VOC2012/ImageSets/Segmentation/info.json', 'r') as fp:# # 讀取info.json，里面記錄了類別數目，類別名稱。（我們數據集是VOC2011，相應地改了josn文件）# info = json.load(fp)# num_classes = np.int(info['classes']) # 讀取類別數目，這里是20類# print('Num classes', num_classes) # 打印一下類別數目# name_classes = np.array(info['label'], dtype=np.str) # 讀取類別名稱# # mapping = np.array(info['label2train'], dtype=np.int)#讀取標簽映射方式，詳見博客中附加的info.json文件# hist = np.zeros((num_classes, num_classes)) # hist初始化為全零，在這里的hist的形狀是[20, 20]#原代碼是有進行類別映射，所以通過json文件來存放類別數目、類別名稱、 標簽映射方式。而我們只需要讀取類別數目和類別名稱即可，可以按下面這段代碼將其寫死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') # 在這里打開記錄分割圖片名稱的txtlabel_path_list = join(devkit_dir, 'val.txt') # ground truth和自己的分割結果txt一樣gt_imgs = open(label_path_list, 'r').read().splitlines() # 獲得驗證集標簽名稱列表gt_imgs = [join(gt_dir, x) for x in gt_imgs] # 獲得驗證集標簽路徑列表，方便直接讀取pred_imgs = open(image_path_list, 'r').read().splitlines() # 獲得驗證集圖像分割結果名稱列表pred_imgs = [join(pred_dir, x) for x in pred_imgs]# pred_imgs = [join(pred_dir, x.split('/')[-1]) for x in pred_imgs]#獲得驗證集圖像分割結果路徑列表，方便直接讀取for ind in range(len(gt_imgs)): # 讀取每一個（圖片-標簽）對pred = np.array(Image.open(pred_imgs[ind]+'.png')) # 讀取一張圖像分割結果，轉化成numpy數組label = np.array(Image.open(gt_imgs[ind]+'.png')) # 讀取一張對應的標簽，轉化成numpy數組# print pred.shape# print label.shape# label = label_mapping(label, mapping)#進行標簽映射（因為沒有用到全部類別，因此舍棄某些類別），可忽略if len(label.flatten()) != len(pred.flatten()):# 如果圖像分割結果與標簽的大小不一樣，這張圖片就不計算# 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) # 對一張圖片計算19×19的hist矩陣，并累加# if ind > 0 and ind % 10 == 0: # 每計算10張就輸出一下目前已計算的圖片中所有類別平均的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) # 計算所有驗證集圖片的逐類別mIoU值for ind_class in range(num_classes): # 逐類別輸出一下mIoU值print('===>' + name_classes[ind_class] + ':\t' + str(round(mIoUs[ind_class] * 100, 2)))print('===> mIoU: ' + str(round(np.nanmean( mIoUs) * 100, 2))) # 在所有驗證集圖像上求所有類別平均的mIoU值，計算時忽略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 # ) # 執行主函數 三個路徑分別為 ‘ground truth’,'自己的實驗分割結果'，‘分割圖片名稱txt文件’ # print(iou)

這是直接改好的VOC2012，官方解壓目錄分級，只要你是官方文件夾直接解壓，那么都是下面這樣。代碼不用改，只需要指定自己預測圖片目錄，圖片保存格式要和官方一樣，具體保存上色代碼：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#這里是你自己圖片保存的目錄import miouresult = miou.compute_mIoU(gt_dir,savedir,list_dir)print(result)

這個代碼得到的miou與deeplabv3+稍有出入，高了0.5%

可以接受

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

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

?

總結

以上是生活随笔為你收集整理的miou 代码 VOC2012的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。