图像分类模型评估之用python绘制混淆矩阵confusion_matrix_python confusion_matrix

做了那么多年开发，自学了很多门编程语言，我很明白学习资源对于学一门新语言的重要性，这些年也收藏了不少的Python干货，对我来说这些东西确实已经用不到了，但对于准备自学Python的人来说，或许它就是一个宝藏，可以给你省去很多的时间和精力。

别在网上瞎学了，我最近也做了一些资源的更新，只要你是我的粉丝，这期福利你都可拿走。

我先来介绍一下这些东西怎么用，文末抱走。

---

（1）Python所有方向的学习路线（新版）

这是我花了几天的时间去把Python所有方向的技术点做的整理，形成各个领域的知识点汇总，它的用处就在于，你可以按照上面的知识点去找对应的学习资源，保证自己学得较为全面。

最近我才对这些路线做了一下新的更新，知识体系更全面了。

（2）Python学习视频

包含了Python入门、爬虫、数据分析和web开发的学习视频，总共100多个，虽然没有那么全面，但是对于入门来说是没问题的，学完这些之后，你可以按照我上面的学习路线去网上找其他的知识资源进行进阶。

（3）100多个练手项目

我们在看视频学习的时候，不能光动眼动脑不动手，比较科学的学习方法是在理解之后运用它们，这时候练手项目就很适合了，只是里面的项目比较多，水平也是参差不齐，大家可以挑自己能做的项目去练练。

（4）200多本电子书

这些年我也收藏了很多电子书，大概200多本，有时候带实体书不方便的话，我就会去打开电子书看看，书籍可不一定比视频教程差，尤其是权威的技术书籍。

基本上主流的和经典的都有，这里我就不放图了，版权问题，个人看看是没有问题的。

（5）Python知识点汇总

知识点汇总有点像学习路线，但与学习路线不同的点就在于，知识点汇总更为细致，里面包含了对具体知识点的简单说明，而我们的学习路线则更为抽象和简单，只是为了方便大家只是某个领域你应该学习哪些技术栈。

（6）其他资料

还有其他的一些东西，比如说我自己出的Python入门图文类教程，没有电脑的时候用手机也可以学习知识，学会了理论之后再去敲代码实践验证，还有Python中文版的库资料、MySQL和HTML标签大全等等，这些都是可以送给粉丝们的东西。

这些都不是什么非常值钱的东西，但对于没有资源或者资源不是很好的学习者来说确实很不错，你要是用得到的话都可以直接抱走，关注过我的人都知道，这些都是可以拿到的。

网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。

需要这份系统化学习资料的朋友，可以戳这里获取

一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！

from sklearn.metrics import confusion_matrix
import pandas as pd

设置设备

device = torch.device(“cuda:0” if torch.cuda.is_available() else “cpu”)

定义数据增强

transform = transforms.Compose([
transforms.Resize((224, 224)),
transforms.ToTensor(),
transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225])
])

加载数据集

data_path = “path/to/dataset”
dataset = datasets.ImageFolder(root=data_path, transform=transform)

加载模型

model_path = “path/to/model.pth”
model = torch.load(model_path)
model.to(device)
model.eval()

获取预测结果和标签

labels = []
preds = []
for inputs, targets in dataset:
inputs = inputs.unsqueeze(0).to(device)
targets = targets.to(device)
outputs = model(inputs)
_, predicted = torch.max(outputs.data, 1)
labels.append(targets.item())
preds.append(predicted.item())

生成混淆矩阵

cm = confusion_matrix(labels, preds)
classes = dataset.classes
cm_df = pd.DataFrame(cm, index=classes, columns=classes)

保存为CSV文件

cm_df.to_csv(“confusion_matrix.csv”)
print(“Confusion matrix saved as confusion_matrix.csv”)

#### 


#### 


#### 非 ImageNet数据格式，定义导入数据的类名和方法！！！！


导入数据的类和函数定义代码：

import os
import numpy as np
import torch
from torch.utils.data import Dataset
from torchvision import transforms
from PIL import Image

class CustomDataset(Dataset):
def init(self, data_dir, transform=None):
self.data_dir = data_dir
self.transform = transform
self.img_files = os.listdir(data_dir)

def __len__(self):
    return len(self.img_files)

def __getitem__(self, index):
    img_path = os.path.join(self.data_dir, self.img_files[index])
    img = Image.open(img_path).convert('RGB')
    label = self.get_label_from_filename(self.img_files[index])
    
    if self.transform:
        img = self.transform(img)

    return img, label

def get_label_from_filename(self, filename):
    label = filename.split('.')[0] # 假设文件名为"label.image_id.jpg"格式
    label = label.split('_')[0] # 仅保留label信息
    return int(label)

加载数据集并进行预处理

data_dir = “your_data_dir”
transform = transforms.Compose([
transforms.Resize((224, 224)), # 图像大小调整为224x224
transforms.ToTensor(), # 将图像转换为Tensor格式，并将像素值缩放到[0, 1]
transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225]) # 图像标准化
])
dataset = CustomDataset(data_dir, transform=transform)

#### 非imageNet数据格式，完成生成混淆矩阵程序代码！！！！


注意点：


1.自定义数据通过 “\_” 来进行获取图片的类别 label 标签值，所以你的命名中是否包含了标签值，如果没有标签值，还是需要自行修改的，当然有的话，也需要思考一下，标签值放置的位置在spilt后列表的那个位置！  
  
 2.对了，那个后面部分需要缩进，哈哈，python代码简洁，但缩进问题就很抽象，从


model = torch.load('model.pth')  开始直接缩进！！！

import torch
import torchvision.transforms as transforms
from torch.utils.data import DataLoader
from sklearn.metrics import confusion_matrix
import pandas as pd
import numpy as np

自定义数据集类

class MyDataset(torch.utils.data.Dataset):
def init(self, root_dir, transform=None):
self.root_dir = root_dir
self.transform = transform
self.img_list = os.listdir(root_dir)

def __len__(self):
    return len(self.img_list)

现在能在网上找到很多很多的学习资源，有免费的也有收费的，当我拿到1套比较全的学习资源之前，我并没着急去看第1节，我而是去审视这套资源是否值得学习，有时候也会去问一些学长的意见，如果可以之后，我会对这套学习资源做1个学习计划，我的学习计划主要包括规划图和学习进度表。

分享给大家这份我薅到的免费视频资料，质量还不错，大家可以跟着学习

网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。

需要这份系统化学习资料的朋友，可以戳这里获取

一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！