如何在mmsegmentation中更改衡量指标

最新推荐文章于 2024-06-30 18:54:20 发布
最新推荐文章于 2024-06-30 18:54:20 发布
阅读量3.7k 收藏 31
点赞数 5
分类专栏： MMLab 文章标签： pytorch python
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/weixin_45912366/article/details/125772650
版权

目录

1.mmseg中的默认评估指标

2.想换mDice指标指南

 3. mIoU与mDice这两个评估指标都想要指南

1.mmseg中的默认评估指标

mmseg默认的评估指标是mIoU，评价指标在mmseg/core/evaluation/metrics.py中。如下

 选择mIoU为评价指标的同时会输出各个类别的IoU，同样会给你输出acc，其实这里的acc就是PA（像素准确度）。

无论你选哪个评估指标都会输出的aAcc（其实就是mPA（平均像素准确度））。所以可以得到四个指标mIoU，IoU，acc, aAcc；

2.想换mDice指标指南

想换mDice为指标，那简单，在configs/base/schedules/s中把mIoU直接换成mDice就行。

 3. mIoU与mDice这两个评估指标都想要指南

那么可以采取以下措施：

 

小刺猬69
关注
  • 5
    点赞
  • 踩
  • 31
    收藏
    觉得还不错? 一键收藏
  • 12
    评论
专栏目录
mmsegmentation download zip
09-23
在标题和描述中提到的"mmsegmentation download zip"，是指通过下载zip格式的压缩包获取mmsegmentation源码。你可以通过以下步骤进行操作： 1. **访问GitHub仓库**：首先，打开浏览器，进入mmsegmentation的GitHub...
mmsegmentation0.17.0
01-15
在现代计算机视觉领域，语义分割是一项至关重要的任务，它涉及到将图像中的每个像素分类到预定义的类别中。mmsegmentation是基于PyTorch的开源库，专为语义分割提供了一套全面且高效的解决方案。这个库的最新版本...
深度学习评价指标：Precision, Recall, F1-score, mIOU, 和 mDice
最新发布
weixin_45596561的博客
06-30 886
精确率（Precision）：衡量模型预测的正类样本中实际为正类的比例。召回率（Recall）：衡量模型对实际正类样本的识别能力。F1-score：精确率和召回率的调和平均数。平均交并比（mIOU）：衡量模型在语义分割任务中的整体性能。平均Dice系数（mDice）：衡量模型在分割任务中的效果，尤其对小目标更加敏感。通过理解和应用这些评价指标，可以更全面地评估模型的性能，从而更好地改进模型。如果有任何问题或需要进一步的解释，欢迎在评论区留言。
语义分割概述 【OpenMMLab AI实战营 第二期 Day8】
chenghong1的专栏
06-15 392
任务： 将图像按照物体的类别分割成不同的区域 等价于： 对每个像素进行分类​。
Overall Accuracy（OA）、Average Accuracy（AAcc）计算公式
yokon的博客
05-27 1311
因对于一个样本来说，FN+TP是固定的，那么IoU就可以变为IoU=TP/(K+FP)，那么主要相当于分析TP与FP的变化趋势。计算二分类混淆矩阵中正负两类的MIoU MIoU=(IoU(正)+IoU(负))/2 =(TP/(FN+FP+TP)+TN/(TN+FN+FP))/2。4.F1-score：此指标综合了Precision与Recall的产出的结果，取值范围从0到1的，1代表模型的输出最好，0代表模型的输出结果最差。某一类的IoU的分母为：该类所在混淆矩阵对角线的位置对应的行和列的总和。
mmseg中的评价指标
jinxianwei1999的博客
12-16 1718
mmlab中mmseg的模型评估指标
MMsegmentation如何输出新的模型评价指标
weixin_45501482的博客
01-23 837
在使用MMsegmentation框架进行模型训练过程中，模型会默认的输出指定的评价指标，如果需要对评价指标进行更改，打印符合自己的评价指标，可以在“/mmsegmentation-main/mmseg/evaluation/metrics/iou_metric.py”中进行修改，这个文件中提供了以下三种类型。每种类型会有自己的评价指标，可以选择自己需要的，如果都不符合，可以对其代码进行修改，让其打印符合自己要求的评价指标。
mmsegmentation教程2：如何修改loss函数、指定训练策略、修改评价指标、指定iterators进行val指标输出
热门推荐
weixin_42748439的博客
04-13 1万+
简介 在mmseg教程1中对如何成功在mmseg中训练自己的数据集进行了讲解，那么能跑起来，就希望对其中loss函数、指定训练策略、修改评价指标、指定iterators进行val指标输出等进行自己的指定，下面进行具体讲解 具体修改方式 mm系列的核心是configs下面的配置文件，数据集设置与加载、训练策略、网络参数设置都在configs下面的配置文件里，可以简单理解为以前使用的开源框架中的main()函数，所有的参数都在这里指定，下面以configs/swin/upernet_swin_tiny_patc
语义分割常用指标(mIOU,Dice coefficient)
qq_35985044的博客
02-16 6050
语义分割mIOU定义如下： 其中p_ij表示真实值为i，被预测为j的像素数量，等价于 其中TP(t)表示以为阈值的情况下预测为正样本...
【技术总结】常用指标mAP, mIoU, mDice, mFscore, aAcc 实现
S_Kross的博客
03-25 972
mAP 全称是eanveragerecision. 其中 mean 这个操作是在 class 级别上, 因此只需要将所有类别平均即可. 所有需要关注的就是 AP. AP 是 Precision-Recall 曲线和坐标轴围成的面积. 提到曲线可能会感觉比较懵 – 模型的预测对或者不对都是确定的, 哪里来的曲线呢?想要搞明白为什么有曲线, 得看模型的预测结果. 一般来说, 模型在给出类别的预测的时候, 都会有一个置信度p表示属于这一类的概率. 因此我们就可以设定一个阈值t, 如果pt。
mmsegmentation
08-17
`mmSegmentation` 是一个基于深度学习的语义分割框架，它在计算机视觉领域中扮演着至关重要的角色。语义分割是图像分析任务的一种，其目标是将图像中的每个像素分类到预定义的类别中，从而实现对图像内容的精细化...
mmsegmentation实现对数据集进行图片分割，数据增强
03-28
在使用MMSegmentation进行数据增强时，用户可以通过修改配置文件来指定增强策略。这些策略可以包括基本的几何变换，如随机缩放和裁剪，以及更高级的增强方法，如色彩抖动和亮度调整。MMSegmentation还支持使用预定义...
mmsegmentation教程
03-05
mmsegmentation教程
语义分割常用指标：解读mmesgmentation源码
xjw0645的博客
10-09 3787
先了解pytorch中的一些函数 torch.histc(input, bins=100, min=0, max=0, out=None) → Tensor 计算张量的直方图。 元素被分类为 min 和 max 之间相等宽度的单元格。如果 min 和 max 均为零，则使用数据的最小值和最大值。 小于最小值和高于最大值的元素将被忽略。 Parameters input（Tensor）–输入张量。 bins（int）–直方图箱数 min（int）–范围的下限（包括） max（int）–范围的上限（包括） 關鍵
图像分割的评价指标Dice Iou的计算方式总结
1-|运维深似海
04-15 779
计算，但我觉得使用概率计算fp等值是不准确的，保留意见。这种方法分子分母和第二种方法结果一样，只是维度是。方法没有计算每个通道，而是对所有值计算的。通过计算tp,fp,fn等根据公式。计算得到的，但是这种方法中的。并且这种方法在网上很通用，但是这种方法要学会如何使用。目前找到三种实现方式，且。
MMSegmentation笔记05：训练+日志可视化+测试集性能评估
HearMeRoar_的博客
08-19 1594
同样的，由于我的py文件新建在根目录下，与 git clone 下来的segmentation文件夹并列，所以基本每个路径前都加上了。而指标表现的比较好的原因其实是这里子豪兄的测试集与验证集相同，由于数据集不充分，就这么做了，实际应用中千万不要这么做。然后就是漫长的训练等待，我的显卡是RTX 3060 16GB，训练了20个小时，如果硬件条件不允许的话，可以直接下载。可以看到除了最后的白籽，其他指标表现非常好，这是由于白籽目标太小，且数据集也不多，因此表现不好。当然，切换到本地运行仍然会有文件路径的问题。
A comparison of methods for fully automatic segmentation of tumors and involved nodes in PET/CT of h
Acmer_future_victor的博客
09-17 540
A comparison of methods for fully automatic segmentation of tumors and involved nodes in PET/CT of head and neck cancers 原文链接 中科院SCI分区 二区 Abstract 靶区勾画是放射治疗中一个重要但耗时且具有挑战性的部分，其目标是在降低副作用风险的同时向靶区提供足够的剂量。对于头颈部癌症(HNC)来说，头颈部区域的复杂解剖和靶区与危险器官的接近使这一点变得复杂起来。本研究的目
MMSegmentation系列之模型训练与推理（二）
qq_41627642的博客
06-01 3141
1、 模型训练 MMSegmentation实现了分布式训练和非分布式训练，分别使用MMDistributedDataParallel和MMDataParallel。所有输出(日志文件和检查点)将被保存到配置文件中的work_dir指定的工作目录中。 默认情况下，我们在一些迭代之后对验证集上的模型进行评估，您可以通过在训练配置中添加interval参数来更改评估间隔。 evaluation = dict(interval=4000) # This evaluate the model per 4000 i
图像分割模型性能的指标IOU与ACC
qq_44089890的博客
04-29 5354
具体来说，对于每个类别，我们可以计算出它们在分割结果和真实结果中的像素数目，并计算它们之间的交集和并集。具体来说，对于每个类别，我们可以计算出它们在分割结果和真实结果中的像素数目，然后计算分类正确的像素数目。具体来说，对于每个类别，我们可以计算出它们在分割结果和真实结果中的像素数目，然后计算分类正确的像素数目，最后将所有类别的像素分类正确率求平均。aAcc用于评估模型整体的分类准确率，mIoU用于评估模型在不同类别之间的性能差异，mAcc用于评估模型在像素分类方面的整体性能。
mmsegmentation中deeplabv3plus网络加入SKNet
05-05
mmsegmentation 是一款基于 PyTorch 开发的图像分割工具库，提供了多种图像分割网络的实现，并且支持多GPU训练和推断。其中，deeplabv3plus 是一种先进的语义分割网络，具有较高的精度和鲁棒性。 SKNet（Selective Kernel Networks）是一种新型的卷积神经网络结构，通过选择性地应用不同大小的卷积核，可以有效地提高网络的表达能力和精度，在多个计算机视觉任务中都得到了良好的效果。 在 mmsegmentation 中，将 SKNet 应用于 deeplabv3plus 网络，可以进一步提高分割精度，特别是对于细节和纹理丰富的图像，效果更为明显。此外，由于 SKNet 的高效性能，可以在不增加过多计算量的情况下提高模型的表现。
评论 12
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