绘制混淆矩阵和训练情况的代码

根据结果绘制混淆矩阵confusion matrix和training/valid loss的python代码

混淆矩阵部分：

import matplotlib.pyplot as plt
import seaborn as sns
import pandas as pd
import matplotlib

# 字体设置（中文）
matplotlib.rcParams['font.family'] = 'SimHei'  # 设置字体为黑体
matplotlib.rcParams['font.size'] = 14
matplotlib.rcParams['axes.unicode_minus'] = False  # 正确显示负号

# 混淆矩阵csv的路径
data_path = "./confusion_matrix.csv"

confusion_matrix_data = pd.read_csv(data_path)
confusion_matrix_data.head()

confusion_matrix = confusion_matrix_data.set_index(confusion_matrix_data.columns[0])
labels = confusion_matrix.columns

plt.figure(figsize=(10, 8))
sns.heatmap(confusion_matrix, annot=True, fmt="d", cmap="Blues", xticklabels=labels, yticklabels=labels)
plt.title('混淆矩阵')
plt.xlabel('预测值')
plt.ylabel('真实值')
plt.show()

使用前，把预测结果的csv放在同级目录即可；如下：

结果：

训练和验证损失部分：

import numpy as np
import matplotlib.pyplot as plt
import matplotlib

# 字体设置（中文）
matplotlib.rcParams['font.family'] = 'SimHei'  # 设置字体为黑体
matplotlib.rcParams['font.size'] = 14
matplotlib.rcParams['axes.unicode_minus'] = False  # 正确显示负号

epoch_loss_path = "./epoch_loss.txt"
epoch_val_loss_path = "./epoch_val_loss.txt"
epoch_miou_path = "./epoch_miou.txt"

epoch_loss = np.loadtxt(epoch_loss_path)
epoch_val_loss = np.loadtxt(epoch_val_loss_path)
epoch_miou = np.loadtxt(epoch_miou_path)

def smooth(values, weight=0.6):
    smoothed_values = []
    last = values[0]
    for point in values:
        smoothed_val = last * weight + (1 - weight) * point
        smoothed_values.append(smoothed_val)
        last = smoothed_val
    return np.array(smoothed_values)

smoothed_loss = smooth(epoch_loss)
smoothed_val_loss = smooth(epoch_val_loss)

plt.figure(figsize=(14, 6))
plt.subplot(1, 2, 1)
plt.plot(epoch_loss, label='训练损失', color='blue')
plt.plot(epoch_val_loss, label='验证损失', color='red')
plt.plot(smoothed_val_loss, label='平滑-验证损失', color='green', linestyle='--')
plt.plot(smoothed_loss, label='平滑-训练损失', color='orange', linestyle='--')
plt.title('训练-验证损失')
plt.xlabel('训练轮次')
plt.ylabel('损失值')
plt.legend()

plt.subplot(1, 2, 2)
plt.plot(epoch_miou, label='mIoU', color='purple')
plt.title('平均交并比')
plt.xlabel('训练轮次')
plt.ylabel('平均交并比')
plt.legend()

plt.tight_layout()
plt.show()

同样的，把数据放在同级目录下，.txt档；如下：

… … 总之，valid loss 和指标（题中是mIOU，可根据需求自行修改）也和图中training loss 一致即可；
运行结果如下：