语义分割mioupython代码

语义分割（Semantic Segmentation）是计算机视觉领域一项重要任务，它的目标是将图像中的每个像素点进行分类，分割出不同的语义区域。为了评估语义分割算法的性能，我们可以使用mIoU（mean Intersection over Union）指标。

mIoU是通过计算预测的分割结果与真实分割结果之间的交并比来评估模型的准确性。具体计算过程如下：

import numpy as np

def iou(pred, label, num_classes):
    ious = []
    for i in range(1, num_classes):
        pred_i = pred == i
        label_i = label == i
        intersection = np.logical_and(pred_i, label_i).sum()
        union = np.logical_or(pred_i, label_i).sum()
        iou = intersection / union.astype(float)
        ious.append(iou)
    return np.mean(ious)

def miou(preds, labels, num_classes):
    miou = 0
    for pred, label in zip(preds, labels):
        miou += iou(pred, label, num_classes)
    return miou / len(preds)

以上是计算mIoU的Python代码。函数`iou`用于计算单个类别的IoU（Intersection over Union），并返回一个列表。函数`miou`则是计算所有类别的mIoU，它遍历所有预测结果和真实标签，并累加每个样本的IoU，最后取平均值。

使用这段代码，我们可以计算出给定一组预测结果和真实标签的mIoU值。其中，`preds`是一个包含多个预测结果的列表，每个预测结果是一个和真实标签相同大小的分割图像。`labels`也是一个和真实标签相同大小的列表，每个标签是一个包含类别信息的图像。

通过比较不同模型在验证集上计算得到的mIoU值，我们可以评估它们在语义分割任务上的性能。