python 计算模型分割后批量图片图像分割后的miou

要计算模型批量图像分割后的mIoU，你可以使用与之前相似的方法，但需要对批量图像进行处理。以下是一个示例代码，展示了如何计算模型批量图像分割后的mIoU：

import numpy as np

def calculate_iou(segmentation, label):
    intersection = np.logical_and(segmentation, label)
    union = np.logical_or(segmentation, label)
    iou = np.sum(intersection) / np.sum(union)
    return iou

def calculate_batch_miou(segmentation_images, label_images):
    batch_size = segmentation_images.shape[0]
    num_classes = segmentation_images.shape[3]
    miou = 0

    for i in range(batch_size):
        miou_per_image = 0
        for class_idx in range(num_classes):
            segmentation = segmentation_images[i, ..., class_idx]
            label = label_images[i, ..., class_idx]
            iou = calculate_iou(segmentation, label)
            miou_per_image += iou

        miou_per_image /= num_classes
        miou += miou_per_image

    miou /= batch_size
    return miou

# 示例使用
segmentation_images = np.random.randint(0, 2, size=(10, 100, 100, 3, 5))  # 假设有10张图像，每个图像大小为100x100，包含5个类别
label_images = np.random.randint(0, 2, size=(10, 100, 100, 3, 5))

miou = calculate_batch_miou(segmentation_images, label_images)
print("mIoU:", miou)

在这个示例中，我们添加了一个循环来处理批量图像。首先，我们遍历每个图像，然后在每个图像中遍历每个类别。计算每个类别的IoU并将其相加，然后再将其除以类别数量得到每个图像的平均IoU。最后，将所有图像的平均IoU相加并除以批量大小得到mIoU。

请注意，这只是一个简单的示例代码，实际应用中可能需要根据具体的需求进行修改和优化。