多标签分割accuracy计算 pytorch

在多标签分割任务中，通常使用交并比（IoU）或者Dice系数作为评价指标来衡量模型的性能。对于多标签分割任务，我们需要对每个类别分别计算评价指标，然后对所有类别的评价指标进行平均，得到最终的评价指标。

下面是一个基于PyTorch的多标签分割accuracy计算的示例代码：

import torch

def iou(outputs: torch.Tensor, labels: torch.Tensor):
    """
    计算交并比（IoU）
    """
    intersection = (outputs & labels).float().sum((1, 2))  # 计算交集
    union = (outputs | labels).float().sum((1, 2))  # 计算并集
    iou = (intersection + 1e-15) / (union + 1e-15)  # 计算IoU，加上一个极小值防止分母为0
    return iou.mean().item()  # 对所有类别的IoU取平均值作为最终的IoU评价指标

def dice(outputs: torch.Tensor, labels: torch.Tensor):
    """
    计算Dice系数
    """
    intersection = (outputs & labels).float().sum((1, 2))  # 计算交集
    dice = (2. * intersection + 1e-15) / (outputs.float().sum((1, 2)) + labels.float().sum((1, 2)) + 1e-15)  # 计算Dice系数，加上一个极小值防止分母为0
    return dice.mean().item()  # 对所有类别的Dice系数取平均值作为最终的Dice评价指标

# 示例用法
outputs = torch.tensor([[1, 0, 1], [0, 1, 0], [1, 1, 0]])  # 模型输出
labels = torch.tensor([[1, 0, 0], [0, 1, 1], [1, 0, 1]])  # 标签
iou_score = iou(outputs, labels)
dice_score = dice(outputs, labels)
print(f"IoU: {iou_score:.4f}")
print(f"Dice: {dice_score:.4f}")

上述代码中，我们定义了两个评价指标函数：`iou`和`dice`。这两个函数的输入参数是模型输出`outputs`和标签`labels`，输出的是对应的评价指标。在这个示例中，`outputs`和`labels`都是$3 \times 3$的张量，每个元素表示一个像素的标签。我们计算了`outputs`和`labels`的IoU和Dice系数，并将结果打印出来。注意，这里的IoU和Dice系数都是针对所有类别的评价指标，因此没有分别计算每个类别的指标。如果需要分别计算每个类别的指标，可以在函数中增加一个类别维度，并在计算时对这个维度进行循环。