miou 代码 VOC2012

小咪咪 2021-12-12 11:49 330阅读 0赞

#!/usr/bin/python
    # -*- coding: utf-8 -*-
    
    import numpy as np
    import argparse
    import json
    from PIL import Image
    from os.path import join
    import cv2
    from mmm.fullcrop import unpadding
    from matplotlib import pyplot as plt
    # 设标签宽W，长H
    def fast_hist(a, b, n):  # a是转化成一维数组的标签，形状(H×W,)；b是转化成一维数组的标签，形状(H×W,)；n是类别数目，实数（在这里为19）
        '''
    	核心代码
    	'''
        k = (a >= 0) & (a < n)  # k是一个一维bool数组，形状(H×W,)；目的是找出标签中需要计算的类别（去掉了背景） k=0或1
        hist = np.bincount(n * a[k].astype(int) + b[k], minlength=n ** 2)
        # if hist.shape!=(441,):
            # assert hist.shape==(441,)
        return np.bincount(n * a[k].astype(int) + b[k], minlength=n ** 2).reshape(n,
                                                                                  n)  # np.bincount计算了从0到n**2-1这n**2个数中每个数出现的次数，返回值形状(n, n)
    
    
    def per_class_iu(hist):  # 分别为每个类别（在这里是19类）计算mIoU，hist的形状(n, n)
        '''
    	核心代码
    	'''
        return np.diag(hist) / (hist.sum(1) + hist.sum(0) - np.diag(hist))  # 矩阵的对角线上的值组成的一维数组/矩阵的所有元素之和，返回值形状(n,)
    
    
    # hist.sum(0)=按列相加  hist.sum(1)按行相加
    
    
    # def label_mapping(input, mapping):#主要是因为CityScapes标签里面原类别太多，这样做把其他类别转换成算法需要的类别（共19类）和背景（标注为255）
    #    output = np.copy(input)#先复制一下输入图像
    #    for ind in range(len(mapping)):
    #        output[input == mapping[ind][0]] = mapping[ind][1]#进行类别映射，最终得到的标签里面之后0-18这19个数加255（背景）
    #    return np.array(output, dtype=np.int64)#返回映射的标签
    '''
      compute_mIoU函数原始以CityScapes图像分割验证集为例来计算mIoU值的（可以根据自己数据集的不同更改类别数num_classes及类别名称name_classes），本函数除了最主要的计算mIoU的代码之外，还完成了一些其他操作，比如进行数据读取，因为原文是做图像分割迁移方面的工作，因此还进行了标签映射的相关工作，在这里笔者都进行注释。大家在使用的时候，可以忽略原作者的数据读取过程，只需要注意计算mIoU的时候每张图片分割结果与标签要配对。主要留意mIoU指标的计算核心代码即可。
    '''
    
    
    def compute_mIoU(gt_dir, pred_dir, devkit_dir):  # 计算mIoU的函数
        """
        Compute IoU given the predicted colorized images and
        """
        # with open('/home/ubuntu/DeepLab/datasets/VOCdevkit/VOC2012/ImageSets/Segmentation/info.json', 'r') as fp:
        #     # 读取info.json，里面记录了类别数目，类别名称。（我们数据集是VOC2011，相应地改了josn文件）
        #     info = json.load(fp)
        # num_classes = np.int(info['classes'])  # 读取类别数目，这里是20类
        # print('Num classes', num_classes)  # 打印一下类别数目
        # name_classes = np.array(info['label'], dtype=np.str)  # 读取类别名称
        # # mapping = np.array(info['label2train'], dtype=np.int)#读取标签映射方式，详见博客中附加的info.json文件
        # hist = np.zeros((num_classes, num_classes))  # hist初始化为全零，在这里的hist的形状是[20, 20]
    
        #原代码是有进行类别映射，所以通过json文件来存放类别数目、类别名称、 标签映射方式。而我们只需要读取类别数目和类别名称即可，可以按下面这段代码将其写死
        num_classes=21
        print('Num classes', num_classes)
        name_classes = ["background","aeroplane","bicycle","bird","boat","bottle","bus","car", "cat","chair","cow","diningtable","dog","horse","motobike","person","pottedplant","sheep","sofa","train","tvmonitor"]
        hist = np.zeros((num_classes, num_classes))
    
        image_path_list = join(devkit_dir, 'val.txt')  # 在这里打开记录分割图片名称的txt
        label_path_list = join(devkit_dir, 'val.txt')  # ground truth和自己的分割结果txt一样
        gt_imgs = open(label_path_list, 'r').read().splitlines()  # 获得验证集标签名称列表
        gt_imgs = [join(gt_dir, x) for x in gt_imgs]  # 获得验证集标签路径列表，方便直接读取
        pred_imgs = open(image_path_list, 'r').read().splitlines()  # 获得验证集图像分割结果名称列表
        pred_imgs = [join(pred_dir, x) for x in pred_imgs]
        # pred_imgs = [join(pred_dir, x.split('/')[-1]) for x in pred_imgs]#获得验证集图像分割结果路径列表，方便直接读取
    
        for ind in range(len(gt_imgs)):  # 读取每一个（图片-标签）对
            pred = np.array(Image.open(pred_imgs[ind]+'.png'))  # 读取一张图像分割结果，转化成numpy数组
            label = np.array(Image.open(gt_imgs[ind]+'.png'))  # 读取一张对应的标签，转化成numpy数组
            # print pred.shape
            # print label.shape
            # label = label_mapping(label, mapping)#进行标签映射（因为没有用到全部类别，因此舍弃某些类别），可忽略
            if len(label.flatten()) != len(pred.flatten()):
                # 如果图像分割结果与标签的大小不一样，这张图片就不计算
                # print('Skipping: len(gt) = {:d}, len(pred) = {:d}, {:s}, {:s}'.format(len(label.flatten()),
                #                                                                      len(pred.flatten()), gt_imgs[ind],
                #                                                                       pred_imgs[ind]))
                lab_shape = label.shape
                pred = unpadding(lab_shape,pred)
                #todo : uppadding
                #pred = cv2.resize(pred, label.shape, interpolation=cv2.INTER_NEAREST)
    
            hist += fast_hist(label.flatten(), pred.flatten(), num_classes)  # 对一张图片计算19×19的hist矩阵，并累加
            # if ind > 0 and ind % 10 == 0:  # 每计算10张就输出一下目前已计算的图片中所有类别平均的mIoU值
            #     print('{:d} / {:d}: {:0.2f}'.format(ind, len(gt_imgs), 100 * np.mean(per_class_iu(hist))))
            #     print(per_class_iu(hist))
    
        mIoUs = per_class_iu(hist)  # 计算所有验证集图片的逐类别mIoU值
        for ind_class in range(num_classes):  # 逐类别输出一下mIoU值
            print('===>' + name_classes[ind_class] + ':\t' + str(round(mIoUs[ind_class] * 100, 2)))
        print('===> mIoU: ' + str(round(np.nanmean( mIoUs) * 100, 2)))  # 在所有验证集图像上求所有类别平均的mIoU值，计算时忽略NaN值
        return mIoUs
    
    # root_dir = '/home/DATA/DATASET/VOC2012/VOC2012/'
    # gt_dir = root_dir+'SegmentationClass/'
    # list_dir = root_dir+'ImageSets/Segmentation/'
    # #pred_dir = '/home/DATA/liutian/tmp/deep/Keras-segmentation-deeplab-v3.1-master/mmm/pred_no_white/'
    # pred_dir = gt_dir
    # iou = compute_mIoU(gt_dir,
    #              pred_dir,
    #              list_dir
    #              )  # 执行主函数 三个路径分别为 ‘ground truth’,'自己的实验分割结果'，‘分割图片名称txt文件’
    # print(iou)

这是直接改好的VOC2012，官方解压目录分级，只要你是官方文件夹[直接解压][Link 1]，那么都是下面这样。代码不用改，只需要指定自己预测图片目录，图片保存格式要和官方一样，具体保存上色代码：[https://blog.csdn.net/u013249853/article/details/94715443][https_blog.csdn.net_u013249853_article_details_94715443]

PATH = '/home/DATA/DATASET/VOC2012/VOC2012'    
        gt_dir = root_dir + 'SegmentationClass/'
        list_dir = root_dir + 'ImageSets/Segmentation/'
        pred_dir = savedir#这里是你自己图片保存的目录
        import miou
        result = miou.compute_mIoU(gt_dir,
                 savedir,
                 list_dir
                 )
        print(result)

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3UwMTMyNDk4NTM_size_16_color_FFFFFF_t_70][]

这个代码得到的miou与deeplabv3+稍有出入，高了0.5%

可以接受

参考：[https://blog.csdn.net/weixin\_42188270/article/details/86632714\#comments][https_blog.csdn.net_weixin_42188270_article_details_86632714_comments]

[https://blog.csdn.net/jiongnima/article/details/84750819][https_blog.csdn.net_jiongnima_article_details_84750819]

[Link 1]: https://blog.csdn.net/u013249853/article/details/90706769
[https_blog.csdn.net_u013249853_article_details_94715443]: https://blog.csdn.net/u013249853/article/details/94715443
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3UwMTMyNDk4NTM_size_16_color_FFFFFF_t_70]: /images/20211211/c010b78db0984eaf86eba37ceca09f3d.png
[https_blog.csdn.net_weixin_42188270_article_details_86632714_comments]: https://blog.csdn.net/weixin_42188270/article/details/86632714#comments
[https_blog.csdn.net_jiongnima_article_details_84750819]: https://blog.csdn.net/jiongnima/article/details/84750819