windows10使用cuda11搭建pytorch深度学习框架——运行Dlinknet提取道路(四)——计算iou评估预测精度

再进行精度评估时使用了这个包的
from utils.utils_metrics import compute_mIoU

尝试：
安装utils包
去anaconda的powershell中输入安装指令
pip install
但貌似不是该头文件
还是报错找不到该文件
因此只能同级引用
引用方法见此博文

python引入其他文件夹里的py文件的方法

因为我有该util文件夹
直接放在运行程序里
也是多新建了一个_init_文件就成功运行了
不能文件夹套文件夹
不然会报错找不到该文件的

No such file or directory: ‘C:/Users/Administrator/Desktop/DeepGlobe-Road-Extraction-link34-py3/submits/log01_link34/235133_mask.png’

这个问题我分析了一下是因为下划线的问题，导致无法对应起来图片
预测之后新生成的图片名字是这样的

而real里面真实图片是这样的

这两者看似名字一样
实际上下划线长度不同
哭了
生成了半天
都没法比较。。。

源代码中test.py
最后一句：

cv2.imwrite(target+name[:-7]+'_mask.png',mask.astype(np.uint8))

改成

cv2.imwrite(target+name[:-7]+'mask.png',mask.astype(np.uint8))

就没有两个下划线了

这下终于正常了

return np.bincount(n * a[k].astype(int) + b[k], minlength=n ** 2).reshape(n, n) ValueError: cannot reshape array of size 256 into shape (2,2)

现在又出现了问题
通过我的小同伴的帮助，这个问题主要是函数没了解清楚
np.bincount()用法介绍

因为我生成的像素是0，255
所以是256大小的数字
因此会报错

为了计算需要将图片都化成0，1的图像

可以使用下面的代码

##除以255
import os
from PIL import Image
import cv2
import numpy as np
 
path = 'xxxxx'
savedpath = 'xxxxx'
filelist = os.listdir(path)
for item in filelist:
    im = Image.open(path + item) #打开图片
    im = cv2.imread(path + item)
    im2=im/255
    cv2.imwrite(savedpath + item, im2)
    print('item of %s is saved '%(item))

在这里，我想直接在读取图像数组时除以255即可
但是类型转换出现了问题

 a=label.flatten()/255        
 print(a)        
 a.astype(np.int64)        
 b=pred.flatten()/255        
 b.astype(np.int64)        
 hist += fast_hist(a, b,num_classes)  

这段代码报错

TypeError: Cannot cast array data from dtype(‘float64’) to dtype(‘int64’) according to the rule ‘safe’

这里生成的a数组[0. 0. 0. … 0. 0. 0.]
但需要的是[0 0 0 … 0 0 0]
这两者是不同的
于是使用循环来处理更保险：

 a=label.flatten()        
 for i in range(len(a)):            
 	a[i]=a[i]/255        
 print(a)                
 b=pred.flatten()        
 for i in range(len(b)):            
 	b[i]=b[i]/255

printa可以发现数组是[0 0 0 … 0 0 0]
程序正常运行啦！
我修改后的代码如下

这样就不用生成文件夹来储存0，1的图像啦

---

到现在，全部流程已经跑通
开始进行测试：
试跑了160个测试样本（都是训练的样本）
算出结果为

现在试试3221张另一个数据集的测试数据，对其进行预测
开始时间：
2022年1月17日19：48
20：13跑了大概1000张样本
25min一千张
目测3000张需要75min
21：03能跑完

22：57开始跑精度评估miou程序
2022年1月18日11：03已经跑完
结果如图：

具体类别的比例因为比较小
所以算下来的miou就不是很高
但这里可以看总的miou来判断精度

两个程序之前是单独运行的
现在程序跑通
把两个程序合并
进行完predict之后自动进行miou计算

这里继续进行尝试
试试用train做训练样本
还使用train来predict看看效果怎么样
不知道这样做是不是合理的
但是想满足一下我的好奇心
看看他的学习效果

3005个需要预测的样本
记录一下预测以及精度计算时间：
2022年1月18日11：54开始
2022年1月18日21：21预测+精度计算结束