语义分割评价指标代码

当评价语义分割模型时，常用的指标包括像素准确率（Pixel Accuracy）、均交并比（Mean Intersection over Union，简称mIOU）等。下面是一个示例代码，计算语义分割模型的mIOU指标：

import numpy as np

def compute_iou(pred_mask, true_mask):
    intersection = np.logical_and(pred_mask, true_mask)
    union = np.logical_or(pred_mask, true_mask)
    iou_score = np.sum(intersection) / np.sum(union)
    return iou_score

def compute_miou(pred_masks, true_masks):
    num_samples = len(pred_masks)
    iou_scores = np.zeros(num_samples)
    for i in range(num_samples):
        iou_scores[i] = compute_iou(pred_masks[i], true_masks[i])
    miou_score = np.mean(iou_scores)
    return miou_score

使用示例代码时，需要将预测的语义分割掩码和真实的语义分割掩码作为输入。其中，预测掩码和真实掩码可以表示为二值化的矩阵，同样大小的矩阵表示图像中每个像素点的语义类别。`compute_iou`函数计算两个掩码之间的交并比，`compute_miou`函数计算一组样本的平均交并比。

请注意，这只是一个示例代码，具体应用中可能需要根据实际情况进行适当修改。