评估DeepLab-v2的分割结果:pixel accuracy、IoU

最新推荐文章于 2024-04-02 14:52:53 发布
最新推荐文章于 2024-04-02 14:52:53 发布
阅读量3.5k 收藏 6
点赞数
分类专栏： 语义分割 文章标签： deepLab-v2 模型评估 IoU pixel accuracy
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/v1_vivian/article/details/82381871
版权

上篇文章详细记录了deeplab-v2的训练程:
https://blog.csdn.net/v1_vivian/article/details/80411444
这篇文章记录一下deeplab-v2的评估方法.deeplab-v2自带了评估代码，在：

/new/xxx/DeepLab/deeplab_v2/deeplab-public-ver2/matlab/my_script/

主要涉及到三个.m文件，分别是：

  • EvalSegResults.m
    程序入口，也是后面要执行的文件，在这个文件开头引入了SetupEnv文件，在SetupEnv里面定义了一些变量，根据这里定义的变量值，EvalSegResults.m里的变量有不同的取值，需要根据自己的情况，耐心一些修改即可。主要修改的变量值有：
    output_mat_folder：val的测试结果mat的路径（如果后面使用mat格式评估需要注意修改这个路径）
    save_root_folder： val经过后处理之后产生的.bin的路径
    seg_res_dir ：val的分割结果根路径，在往下两层就存着val集分割.png的结果
    seg_root ：val 原图路径
最低0.47元/天 解锁文章
v1_vivian
关注
  • 0
    点赞
  • 踩
  • 6
    收藏
    觉得还不错? 一键收藏
  • 4
    评论
专栏目录
deepLab-v2的模型评估:pixel accuracy /Iou
09-04
deeplab-v2自带的评估代码，主要永高这三个文件，按照自己的路我，需要的可以参考。
Deeplab
sinoai
11-09 1624
Deeply1. 参考 1. 参考 全连接条件随机场的实现，CSDN 全连接条件随机场的实现，CSDN 全连接条件随机场的实现
深度学习常用评价指标汇总
最新发布
Justin_JGT的博客
04-02 365
深度学习常用评价指标汇总
deeplab系列v1v2v3v3plus指标展示
baidu_40840693的博客
10-29 311
deeplabv1：VOC2012-val https://arxiv.org/abs/1412.7062 deeplabv2：VOC2012-val https://arxiv.org/abs/1606.00915 deeplabv3：VOC2012-val https://arxiv.org/pdf/1706.05587v1.pdf deeplabv3+：...
dice和iou
weixin_47414034的博客
08-08 1915
DiceLoss和DiceCofficient之间的关系：DiceLoss=1-DiceCofficient。在实现的时候，往往会加上一个smooth，防止分母为0的情况出现。一个是预测图片，一个是label，预测成功的部分称之为True Positive。分母是label中所有像素的数量+预测结果中所有像素的数量-重叠部分的像素数量。（1）Dice系数：DiceCofficient。用于计算两个样本的相似度（取值范围0~1）（2）Dice损失:DiceLoss。分子是预测正确的像素数量。......
【分割评价指标】dice系数和IOU之间的区别和联系
Danger的博客
03-24 1338
【分割评价指标】dice系数和IOU之间的区别和联系
基于Deeplab-v3算法实现对遥感图像的语义分割python源码(带详细注释+项目说明+数据集+模型).zip
12-20
基于Deeplab-v3算法实现对遥感图像的语义分割python源码(带详细注释+项目说明+数据集+模型).zip CCF卫星影像的AI分类与识别提供的数据集初赛复赛训练集，一共五张卫星遥感影像 * 百度云盘：[点击这里]...
Lab-on-CMOS: A Multi-modal CMOS Sensor Platform towards Personalized DNA Sequencing
02-07
Precision medicine requires scalable bioinstrument for... ii) a dual-mode sensor with image and chemical modes for high accuracy; and iii) a THz metamaterial sensor with electrical resonance detection. T
matlab精度检验代码-deep-learning:深度学习
05-22
VOC2007测试集上针对高IoU阈值在mAP上实现了非常显着的改进，并且可以很容易地与最新的对象检测系统结合使用，从而帮助他们提高性能。 最后，我们证明了即使将输入作为一组滑动窗口作为输入，我们的检测方法也可以...
Kaggle-M5-Forecasting-Accuracy-2020:Kaggle上的M5预测问题的解决方案
03-22
Kaggle M5预测精度2020 背景 资料库包含我的团队对2020年3月2日至6月30日在Kaggle举行的（即M5）的解决方案。请查看我的！ 入门 克隆仓库： ...cd {path-to-dir}/Kaggle-M5-Forecasting-Accuracy-2020
图像分割总体介绍——深度AI科普团队
小白不白
08-11 6195
概览 初识图像分割 顾名思义，图像分割就是指将图像分割成多个部分。在这个过程中，图像的每个像素点都和目标的种类相关联。图像分割方法主要可分为两种类型：语义分割和实例分割。语义分割会使用相同的类标签标注同一类目标（下图左），而在实例分割中，相似的目标也会使用不同标签进行标注（下图右）。 图像分割模型的基本架构包括编码器与解码器。编码器通过卷积核提取图像特征。解码器负责输出包含物体轮廓的分割蒙版。 分割类别 图像分割（image segmentation）：根据某些规则将图片分成若干个特定的、具有独特性质的
聊聊图像分割的DICE和IOU指标
Henry的博客
03-09 6403
dice 和 iou 都是衡量两个集合之间相似性的度量dice计算公式：iou计算公式：iou的集合理解：iou 其实就是两个区域的 overlap 部分和 union 部分的比值，也就是两个集合的交集/并集dice 的分母不是并集，因为dice的分母是两个区域的和，A+B = A + B - A∩B，所以dice的分母其实是少减去了一个A∩B，所以就让分子的A∩B扩大2倍。
目标检测/图像分割 评价标准IOU/准确率及精确率
weixin_44350541的博客
03-08 1万+
评价标准 目标检测和图像分割的评价标准是一样的，核心都是使用IOU标准 IOU(Intersection-Over-Union) OU即Intersection-Over-Union，IoU相当于两个区域重叠的部分除以两个区域的集合部分得出的结果 目标检测 图像分割 Pixel Accuracy&Pixel Precision 上面所述的IoU只是用于评价一幅图的标准，如果我们要评...
图像分割的评价指标
Miniebin的博客
06-09 1万+
因为之前研究了下图像分割的评分指标， 主要应用在道路线检测方面上 pixel accurancy (像素准确性） IoU (Intersection over Union) Mean IoU F1 score 在解释以上的评价指标之前， 我们需要先了解混淆矩阵， 因为以上的评价指标是跟混淆矩阵有关， 或者可以说是由混淆矩阵引出。 混淆矩阵也称误差矩阵，是表示精度评价的一种标准格式，用n行n列的矩阵形式来表示。具体评价指标有总体精度、制图精度、用户精度等，这些精度指标从不同的侧面反映了图像分类的精度。 [
图像分割的衡量指标详解
woshisunwen的博客
11-20 1万+
转载自：http://m.blog.csdn.net/u011771047/article/details/72777349                  http://blog.csdn.net/u014593748/article/details/71698246?fps=1&locationNum=5     补充说明： 图像分割（Semantic Segmentatio...
带你读AI论文丨用于目标检测的高斯检测框与ProbIoU
华为云官方博客
08-19 1820
摘要：本文解读了《Gaussian Bounding Boxes and Probabilistic Intersection-over-Union for Object Detection》，该论文针对目标检测任务，提出了新的高斯检测框(GBB)，及新的计算目标相似性的方法(ProbIoU)。
深度学习之语义分割中的度量标准（准确度）(pixel accuracy, mean accuracy, mean IU, frequency weighted IU)
热门推荐
恰同学少年的博客
01-03 3万+
深度学习之语义分割中的度量标准（准确度）(pixel accuracy, mean accuracy, mean IU, frequency weighted IU)下面是根据全卷积语义分割的准确度程序编写import _init_pathsimport os import numpy as np from PIL import Image import matplotlib.pyplot as p
PIoU Loss: 实现复杂场景下的精确定向目标检测
weixin_36670529的博客
03-14 2803
摘要 使用定向包围框（oriented bounding box）进行目标检测可以通过减少与背景区域的重叠来更好地定位有旋转倾斜的目标。现有的OBB方法大多是在水平包围框检测器（horizontal bounding box）上通过引入额外的角度尺度（通过距离损失进行优化）构建的。 但是，由于距离损失只将OBB的角度误差优化至最小，而且与IoU的相关性较松散，因此它对具有高长宽比的目标不敏感。 因此，本文提出了一种新的损失，即Pixels-IoU（PIoU）损失，以利用角度和IoU实现更精确的OBB回归。
Deeplab——How to evaluate each class of iou
嘿，你好！
08-30 1497
I encountered a problem when I was studying deeplab, that is how to  evaluate each class of iou. It puzzled me for a long time. I decided to solve it and rewrote the eval method.  1. add this in lin...
2021-03-26 20:54:33,596 - Model - INFO - Epoch 1 (1/200): 2021-03-26 20:57:40,380 - Model - INFO - Train Instance Accuracy: 0.571037 2021-03-26 20:58:16,623 - Model - INFO - Test Instance Accuracy: 0.718528, Class Accuracy: 0.627357 2021-03-26 20:58:16,623 - Model - INFO - Best Instance Accuracy: 0.718528, Class Accuracy: 0.627357 2021-03-26 20:58:16,623 - Model - INFO - Save model... 2021-03-26 20:58:16,623 - Model - INFO - Saving at log/classification/pointnet2_msg_normals/checkpoints/best_model.pth 2021-03-26 20:58:16,698 - Model - INFO - Epoch 2 (2/200): 2021-03-26 21:01:26,685 - Model - INFO - Train Instance Accuracy: 0.727947 2021-03-26 21:02:03,642 - Model - INFO - Test Instance Accuracy: 0.790858, Class Accuracy: 0.702316 2021-03-26 21:02:03,642 - Model - INFO - Best Instance Accuracy: 0.790858, Class Accuracy: 0.702316 2021-03-26 21:02:03,642 - Model - INFO - Save model... 2021-03-26 21:02:03,643 - Model - INFO - Saving at log/classification/pointnet2_msg_normals/checkpoints/best_model.pth 2021-03-26 21:02:03,746 - Model - INFO - Epoch 3 (3/200): 2021-03-26 21:05:15,349 - Model - INFO - Train Instance Accuracy: 0.781606 2021-03-26 21:05:51,538 - Model - INFO - Test Instance Accuracy: 0.803641, Class Accuracy: 0.738575 2021-03-26 21:05:51,538 - Model - INFO - Best Instance Accuracy: 0.803641, Class Accuracy: 0.738575 2021-03-26 21:05:51,539 - Model - INFO - Save model... 2021-03-26 21:05:51,539 - Model - INFO - Saving at log/classification/pointnet2_msg_normals/checkpoints/best_model.pth 我有类似于这样的一段txt文件，请你帮我写一段代码来可视化这些训练结果
02-06
你好，根据你提供的信息，我可以帮助你写一个 Python 代码来可视化训练结果。首先，你需要读入这个 txt 文件，并将其转换为 Python 可以处理的数据结构，例如列表或字典。接下来，你可以使用 Python 的可视化库，例如 Matplotlib 或 Seaborn，来绘制出训练和测试的精度曲线，并将其保存到文件中。 下面是一个示例代码，你可以根据自己的需要进行修改： ```python import re import matplotlib.pyplot as plt # 读取 txt 文件 with open('log.txt', 'r') as f: log_text = f.read() # 使用正则表达式提取训练和测试的精度数据 train_accuracies = [] test_accuracies = [] class_accuracies = [] for match in re.finditer(r'Train Instance Accuracy: (\d+\.\d+).*Test Instance Accuracy: (\d+\.\d+).*Class Accuracy: (\d+\.\d+)', log_text): train_accuracies.append(float(match.group(1))) test_accuracies.append(float(match.group(2))) class_accuracies.append(float(match.group(3))) # 绘制训练和测试精度曲线 plt.plot(train_accuracies, label='Train Accuracy') plt.plot(test_accuracies, label='Test Accuracy') plt.plot(class_accuracies, label='Class Accuracy') plt.xlabel('Epoch') plt.ylabel('Accuracy') plt.legend() # 保存图片 plt.savefig('accuracies.png') ``` 希望这个示例代码能帮助你。如果你有任何疑问，请随时追问。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 4
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值