基于pytorch在MSRC-V2数据集上利用UNET网络实现图像语义分割，并用mloU评估性能

作为AI语言模型，我无法直接运行代码，但是我可以提供基于pytorch在MSRC-V2数据集上利用UNET网络实现图像语义分割的步骤和评估性能的方法。

步骤：

1. 首先，需要下载MSRC-V2数据集，该数据集包含591张图像，每张图像都有20个不同的标签。可以从以下网址下载：http://research.microsoft.com/en-us/downloads/b94de342-60dc-45d0-830b-9f603eedfcc2/default.aspx

2. 在pytorch中实现UNET网络，可以使用已经实现的UNET模型，也可以根据自己的需求构建模型。

3. 加载数据集并进行预处理，将图像和标签分别保存在不同的文件夹中，并将它们转换为pytorch张量。

4. 训练UNET模型，并对模型进行评估。可以使用交叉验证技术来评估模型的性能。在每个交叉验证折叠中，将数据分成训练集和测试集。使用训练集来训练模型，并使用测试集来评估模型的性能。可以使用mIoU和F1分数来评估模型的性能。

评估性能：

1. mIoU（Mean Intersection over Union）是评估图像分割性能的一种常用指标。它是所有类别的IoU的平均值。IoU（Intersection over Union）是真实标签和预测标签的交集与并集的比率。mIoU越高，代表模型的性能越好。

2. F1分数是精确率和召回率的调和平均值，用于衡量二分类模型的性能。在图像分割任务中，可以将每个像素视为一个二分类问题。将预测的标签和真实标签进行比较，可以计算出每个类别的F1分数。F1分数越高，代表模型的性能越好。

综上所述，基于pytorch在MSRC-V2数据集上利用UNET网络实现图像语义分割，并用mIoU和F1分数评估性能是可行的。