mmseg中的评价指标

config文件中验证阶段可以在tensorboard中显示的评价指标有:mDice,mIoU,mFscore

test.py 的参数设置中 --eval 可以设置测试阶段时计算的评价指标:mDice,mIoU,mFscore

结果文件中在测试集上各指标的数值大小

test.py的debug过程

1 获得所有图片的交集像素和并集像素的统计直方图

1.1 每张图片的结果 result

1.2每个图像结果计算交并像素统计直方图

1.2.1 统计直方图的获得过程
maks模板：将数据预处理时可能用到padding时使用的255像素去除掉（gt中只有0和1像素：二分类语义分割）

最终的所有图像的结果数据：四列（pred和gt交集中 像素0和像素1的像素个数，pred和gt并集中0和1的像素个数，pred中0和1的像素个数，gt_label中0和1的像素个数）

2 根据所有测试集图像上的交集像素和并集像素统计直方图，计算各评估指标

此处固定了评价指标为mIoU,mDice,mFscore的子集

改变预测结果的数据维度：171->tuple 4x171

各评估指标Acc，IoU，Fscore的公式

两列为不同类别的分别的评价指标：在结果文件中显示为IoU.MA和IoU.background
aAcc=$\frac{交集中0和1的像素个数}{gt中0+1像素个数}$

IoU.background = $\frac{交集中0的像素个数}{并集中0的像素个数}$
IoU.MA = $\frac{交集中1的像素个数}{并集中1的像素个数}$
Acc.background = $\frac{交集中0的像素个数}{gt中0的像素个数}$
Acc.MA = $\frac{交集中1的像素个数}{gt中1的像素个数}$

Dice.background = $\frac{2\ast 交集中0的像素个数}{（pred中0的像素个数+g{t}_{l}abel中0的像素个数）}$
Dice.MA = $\frac{2\ast 交集中1的像素个数}{（pred中1的像素个数+gt中1的像素个数）}$

Precision.MA = $\frac{交集中1的像素个数}{pred中1的像素个数}$
Recall.MA = $\frac{交集中1的像素个数}{gt中1的像素个数}$
Fscore = precision和recall的调和平均

说明：

• 交集意味着预测正确
• 从公式中可以看出，Acc.MA = Recall.MA 即类别精确率=类别召回率

对IoU.background 和IoU.MA 等类别评价指标做np.nanmean()，并做四舍五入，并保留两位小数（这个打印到终端上）