文章目录 1. 语义分割的评价指标2. 混淆矩阵计算2.1 np.bincount的使用2.2 混淆矩阵计算 3. 语义分割指标计算3.1 IOU计算方式1(推荐)方式2 3.2 Precision 计算3.3 总体的Accuracy计算3.4 Recall 计算3.5 MIOU计算 参考 MIoU全称为Mean Intersection over Union，平均交并比。可作

目录 Dice理论代码 MIou理论查准率 precison查全率 recallMIoU 平均交并比 代码高效的矩阵运算低效的好理解的计算混淆矩阵 Dice和MIoU两者的关系参考链接 Dice 理论 Dice用来衡量预测结果pred和标签label的相似度，公式如下图所示，即两个集合的交集/并集。 注意：对于多分类的分割任务，网络的输出结果是多通道的，使用Dice计算

目录 混淆矩阵 以二分类为例  多分类示例 1.混淆矩阵 2.iou（交并比） miou 3.召回率  4.acc(准确率） 5.混淆矩阵可视化  完整代码 混淆矩阵 混淆矩阵是大小为 (n_classes, n_classes) 的方阵,  n_classes 表示类的数量。混淆矩阵可以用于直观展示每个类别的预测情况。并能从中计算精确值(Accuracy)、精

语义分割是像素级别的分类，其常用评价指标： 像素准确率（Pixel Accuracy，PA）、 类别像素准确率（Class Pixel Accuray，CPA）、 类别平均像素准确率（Mean Pixel Accuracy，MPA）、 交并比（Intersection over Union，IoU）、 平均交并比（Mean Intersection over Union，MIoU）， 其计算都是

语义分割是像素级别的分类，其常用评价指标： 像素准确率（Pixel Accuracy，PA）、 类别像素准确率（Class Pixel Accuray，CPA）、 类别平均像素准确率（Mean Pixel Accuracy，MPA）、 交并比（Intersection over Union，IoU）、 平均交并比（Mean Intersection over Union，MIoU）， 其计算都是