帮我找一个代码，用于语义分割任务中mIoU的计算

在Python中，通常会使用像`scikit-image`这样的库来计算多类语义分割任务中的mean IoU (mIoU)。以下是一个简单的例子，假设我们已经有了预测的像素级别标注（`pred_masks`）和对应的地面真值（`gt_masks`），它们都是二维数组：

from skimage.measure import label, regionprops
import numpy as np

def calculate_mIoU(pred_masks, gt_masks):
    # 将二进制掩码转换成唯一的数字表示每个类
    pred_labels = label(pred_masks)
    gt_labels = label(gt_masks)

    # 计算每个类别的IoU
    n_classes = np.max(np.unique(np.concatenate((pred_labels, gt_labels), axis=0)))
    ious = np.zeros(n_classes)
    
    for class_id in range(1, n_classes + 1):  # ignore background class
        pred_class_mask = pred_labels == class_id
        gt_class_mask = gt_labels == class_id
        
        intersection = np.logical_and(pred_class_mask, gt_class_mask).sum()
        union = np.logical_or(pred_class_mask, gt_class_mask).sum()
        
        if union > 0:
            ious[class_id - 1] = intersection / union
    
    # 计算mean IoU
    mIoU = np.mean(ious)
    return mIoU

# 使用你的数据来调用这个函数
pred_masks = ...  # 假设这是一个numpy数组，形状为(height, width)
gt_masks = ...  # 同样是numpy数组，形状为(height, width)

mIoU = calculate_mIoU(pred_masks, gt_masks)
print(f"Mean IoU: {mIoU}")

注意，这个代码仅适用于像素级别的二分类或多分类任务，如果你的任务包含实例级别的分割，可能需要稍微修改一下。同时，确保输入的`pred_masks`和`gt_masks`已经被编码为你关心的所有类别。