采用UNet完成磁瓦图片分割
热心网友
12
转载
本文基于中科院自动所磁瓦缺陷公开数据集，采用PaddlePaddle框架构建UNet模型进行分割实验。数据集含1568组图像，分训练、验证、测试集。模型经60轮训练，评价指标为：P=0.955、R=0.737、F1=0.832、ACC=0.973、IOU=0.713，为后续迁移学习至红外热成像无损检测奠定基础。
Unet模型分割磁瓦缺陷
数据集采用中科院自动所公开数据集，具体内容见：https://aistudio.baidu.com/aistudio/datasetdetail/224907/0本文主要参考：图像分割的打怪升级之路——UNet、PSPNet、Deeplab：https://aistudio.baidu.com/aistudio/projectdetail/2148971?channelType=0&channel=0&sUid=1019401&ts=1687278761304背景：本人为初级炼丹师，目前炼丹领域主要集中在图像分割与生成式模型。目前：正在构建红外热成像的无损检测数据集，该数据集能够为后续无损检测的后处理研究提供一定的帮助。但目前为止正在构建实验设备阶段，所以欲先从磁瓦缺陷分割然后通过迁移学习，完成后续的组合模型的构建。结果： unet评价指标为： P:0.955250726851333, R:0.7372399981794183, F1:0.8322043172342575, ACC:0.973421630859375, IOU:0.71262835572684311. 数据集预处理以及参数设置
1.1 导入必要的库函数
值得注意的是paddlepaddle-gpu版本为：2.0.2
In [1]import osimport shutilimport numpy as npfrom paddle.io import Dataset,DataLoaderfrom paddle.vision import transforms as Tfrom paddle.nn import functional as Fimport cv2import paddleimport matplotlib.pyplot as pltimport paddle.nn as nnfrom tqdm import tqdmfrom PIL import Imagefrom visualdl import LogWriterfrom paddle import nn登录后复制
/opt/conda/envs/python35-paddle120-env/lib/python3.7/site-packages/matplotlib/__init__.py:107: DeprecationWarning: Using or importing the ABCs from 'collections' instead of from 'collections.abc' is deprecated, and in 3.8 it will stop working from collections import MutableMapping/opt/conda/envs/python35-paddle120-env/lib/python3.7/site-packages/matplotlib/rcsetup.py:20: DeprecationWarning: Using or importing the ABCs from 'collections' instead of from 'collections.abc' is deprecated, and in 3.8 it will stop working from collections import Iterable, Mapping/opt/conda/envs/python35-paddle120-env/lib/python3.7/site-packages/matplotlib/colors.py:53: DeprecationWarning: Using or importing the ABCs from 'collections' instead of from 'collections.abc' is deprecated, and in 3.8 it will stop working from collections import Sized登录后复制
1.2 定义超参数
训练历史loss与val-loss的数据导出
log_path路径为训练中的val-loss,train-loss，val-acc，train-acc储存位置，可以通过左侧的可视化打开，然后通过下载数据为csv，完成后续绘图其余注释已经写得很清楚，不多作介绍
In [2]# 训练迭代次数epochs = 60#批量大小batch_size=100#验证集的数量eval_num=150# 测试集的数量test_num=150# 所有图像的大小image_size=(128,128)# 标签图片路径label_images_path="/home/aistudio/data/expansion_annotations"# 输入图像路径input_images_path="/home/aistudio/data/expansion_images"# 保存文件的路径放在work中，每重启项目，都会清空# 存放图片路径filepath = "/home/aistudio/data/"# 模型权重等保存路径modle_and_weight_path = '/home/aistudio/data/modle_weight'# 验证训练效果路径datatest_path = '/home/aistudio/data/pre_test_label'# 训练日志保存log_path = '/home/aistudio/data/train_log'登录后复制
1.3 解压数据集
将数据从/home/aistudio/data/data224907/解压到data/，这样能够减轻加载时间，因为data文件夹每次启动会重置
In [3]!unzip -oq /home/aistudio/data/data224907/expansion_annotations.zip -d data/!unzip -oq /home/aistudio/data/data224907/expansion_images.zip -d data/登录后复制
1.4 获取图片路径+图片名 组成的数组
函数：def get_img_files(directory):将path=directory文件夹下的所有后缀名为png或jpg的文件 获取文件夹下所有文件名称，返回完整路径
输入：directory： 存放图片的文件夹登录后复制 输出：
sorted(img_files): 排序后的（地址+名称）登录后复制 In [4]
def get_img_files(directory): # 获取指定目录下的所有文件名 file_list = os.listdir(directory) # 使用列表推导式筛选出所有后缀名为.webp的文件名 img_files = [os.path.join(directory, file) for file in file_list if file.endswith('.webp') or file.endswith('.webp')] # 不排序的话文件名会与标签名混乱 return sorted(img_files)# 获取输入图片（1568，1）images = np.expand_dims(np.array(get_img_files(input_images_path)),axis=1)# 获取输入图片对应得标签（1568，1）labels = np.expand_dims(np.array(get_img_files(label_images_path)),axis=1)# 拼接np ----》（1568，2）data = np.array(np.concatenate((images,labels),axis=1))# 打乱数据集 不影响images与labels的关系np.random.shuffle(data)# 分割数据集train_data=data[:-(eval_num + test_num),:]eval_data=data[-(eval_num + test_num):-test_num,:]test_data=data[-test_num:,:]#打印数据格式，以及图片与对应标签print(train_data.shape, train_data[0])print(eval_data.shape, eval_data[0])print(test_data.shape, test_data[0])登录后复制 (1268, 2) ['/home/aistudio/data/expansion_images/Imgs-exp6_num_352572.webp' '/home/aistudio/data/expansion_annotations/Imgs-exp6_num_352572.webp'](150, 2) ['/home/aistudio/data/expansion_images/Imgs-exp3_num_322643.webp' '/home/aistudio/data/expansion_annotations/Imgs-exp3_num_322643.webp'](150, 2) ['/home/aistudio/data/expansion_images/Imgs-exp3_num_186885_ud.webp' '/home/aistudio/data/expansion_annotations/Imgs-exp3_num_186885_ud.webp']登录后复制
2. 数据增强处理与数据提取器的构建
2.1 对图片完成增强处理
In [5]train_transform=T.Compose([ T.Resize(image_size), #裁剪 T.ColorJitter(0.1,0.1,0.1,0.1), #亮度，对比度，饱和度和色调 T.Transpose(), #CHW T.Normalize(mean=0.,std=255.) #归一化 ])eval_transform=T.Compose([ T.Resize(image_size), T.Transpose(), T.Normalize(mean=0.,std=255.) ])登录后复制
2.2 定义数据提取器
In [6]class ImageDataset(Dataset): def __init__(self,path,transform): super(ImageDataset, self).__init__() self.path=path self.transform=transform def _load_image(self,path): ''' 该方法作用为通过路径获取图像 ''' img=cv2.imread(path) img=cv2.resize(img,image_size) return img def __getitem__(self,index): ''' 这里之所以不对label使用transform，因为观察数据集发现label的图像矩阵主要为0或1 但偶尔也有0-255的值，所以要对label分情况处理 而对data都进行transform是因为data都是彩色图片，图像矩阵皆为0-255，所以可以统一处理 ''' path=self.path[index] if len(path)==2: data_path,label_path=path # 获取图片数组 data,label=self._load_image(data_path),self._load_image(label_path) # 对图片数组归一化 data,label=self.transform(data),label # 参数 (2,0,1) 表示将第三维度（channel）作为第一维度，第一维度（height）作为第二维度， # 第二维度（width）作为第三维度 label = label.transpose((2, 0, 1)) # 提取这个数组的第一行，保留该行所有列，也就是将其尺寸从（1, height, width）变为了 # （height, width），即去掉了第一维的维数，并将其赋值给了变量 label。 label = label[0, :, :] label = np.expand_dims(label, axis=0) if True in (label>1): label=label/255. label = label.astype("int64") return data,label # 获取的路径只有一个，那么就是输入图片（用于没有标签的测试集） if len(path)==1: data=self._load_image(path[0]) data=self.transform(data) return data def __len__(self): return len(self.path)# 获取数据读取器train_dataset=ImageDataset(train_data,train_transform)eval_dataset=ImageDataset(eval_data,eval_transform)test_dataset=ImageDataset(test_data,eval_transform)train_dataloader=DataLoader(train_dataset,batch_size=batch_size,shuffle=True,drop_last=True)eval_dataloader=DataLoader(eval_dataset,batch_size=batch_size,shuffle=True,drop_last=True)登录后复制 2.3 观察训练集
In [7]def show_images(imgs): #imgs是一个列表，列表里是多个tensor对象 #定义总的方框的大小 plt.figure(figsize=(3*len(imgs),3), dpi=80) for i in range(len(imgs)): #定义小方框 plt.subplot(1, len(imgs), i + 1) #matplotlib库只能识别numpy类型的数据，tensor无法识别 imgs[i]=imgs[i].numpy() #展示取出的数据 plt.imshow(imgs[i][0],cmap="gray",aspect="auto") #设置坐标轴 plt.xticks([]) plt.yticks([])data,label=next(train_dataloader())show_images([data[0],label[0]])登录后复制
/opt/conda/envs/python35-paddle120-env/lib/python3.7/site-packages/matplotlib/cbook/__init__.py:2349: DeprecationWarning: Using or importing the ABCs from 'collections' instead of from 'collections.abc' is deprecated, and in 3.8 it will stop working if isinstance(obj, collections.Iterator):/opt/conda/envs/python35-paddle120-env/lib/python3.7/site-packages/matplotlib/cbook/__init__.py:2366: DeprecationWarning: Using or importing the ABCs from 'collections' instead of from 'collections.abc' is deprecated, and in 3.8 it will stop working return list(data) if isinstance(data, collections.MappingView) else data/opt/conda/envs/python35-paddle120-env/lib/python3.7/site-packages/matplotlib/image.py:425: DeprecationWarning: np.asscalar(a) is deprecated since NumPy v1.16, use a.item() instead a_min = np.asscalar(a_min.astype(scaled_dtype))/opt/conda/envs/python35-paddle120-env/lib/python3.7/site-packages/matplotlib/image.py:426: DeprecationWarning: np.asscalar(a) is deprecated since NumPy v1.16, use a.item() instead a_max = np.asscalar(a_max.astype(scaled_dtype))登录后复制
登录后复制
3. 搭建模型
3.1 unet 结构图
import paddlefrom paddle import nnclass Encoder(nn.Layer):# 下采样 def __init__(self, num_channels, num_filters): super(Encoder,self).__init__()#继承父类的初始化 # 图像通道数变为num_filters,长宽不变 self.conv1 = nn.Conv2D(in_channels=num_channels, out_channels=num_filters, kernel_size=3, stride=1, padding=1) self.bn1 = nn.BatchNorm(num_filters,act='relu') self.conv2 = nn.Conv2D(in_channels=num_filters, out_channels=num_filters, kernel_size=3, stride=1, padding=1) self.bn2 = nn.BatchNorm(num_filters,act='relu') self.pool = nn.MaxPool2D(kernel_size=2,stride=2,padding='SAME')# 图像长宽缩小一半，通道数不变 def forward(self, inputs): x = self.conv1(inputs) x = self.bn1(x) x = self.conv2(x) x = self.bn2(x) # 输出1用于拼接 x_conv = x # 输出2用于下采样 x_pool =self.pool(x) return x_conv, x_poolclass Decoder(nn.Layer): def __init__(self, num_channels,num_filters): super(Decoder,self).__init__() self.up = nn.Conv2DTranspose(in_channels=num_channels, out_channels=num_filters, kernel_size=2, stride=2, padding=0)# 图片分辨率变大一倍，通道数不变 self.conv1 = nn.Conv2D(in_channels=num_filters*2, out_channels=num_filters, kernel_size=3, stride=1, padding=1)# 因为拼接的缘故所以是2倍的关系 self.bn1 = nn.BatchNorm(num_filters,act='relu') self.conv2 = nn.Conv2D(in_channels=num_filters, out_channels=num_filters, kernel_size=3, stride=1, padding=1) self.bn2 = nn.BatchNorm(num_filters,act='relu') def forward(self, input_conv, input_pool): x = self.up(input_pool) # 计算上采样后，与input_conv的分辨率差值，然后进行填充 h_diff = (input_conv.shape[2]-x.shape[2]) w_diff = (input_conv.shape[3]-x.shape[3]) # 对上下左右表示填充0 pad = nn.Pad2D(padding=[h_diff//2,h_diff-h_diff//2,w_diff//2,w_diff-w_diff//2]) x = pad(x) x = paddle.concat([input_conv,x],axis=1) x = self.conv1(x) x = self.bn1(x) x = self.conv2(x) x = self.bn2(x) return xclass UNet(nn.Layer): def __init__(self, num_classes=2): super(UNet,self).__init__() self.down1 = Encoder(num_channels=3, num_filters=64) self.down2 = Encoder(num_channels=64, num_filters=128) self.down3 = Encoder(num_channels=128, num_filters=256) self.down4 = Encoder(num_channels= 256, num_filters=512) self.mid_conv1 = nn.Conv2D(512,1024,1) self.mid_bn1 = nn.BatchNorm(1024,act='relu') self.mid_conv2 = nn.Conv2D(1024,1024,1) self.mid_bn2 = nn.BatchNorm(1024,act='relu') self.up4 = Decoder(1024,512) self.up3 = Decoder(512,256) self.up2 = Decoder(256,128) self.up1 = Decoder(128,64) # 使用1*1卷积，softmax做分类 self.last_conv = nn.Conv2D(64,num_classes,1) def forward(self, inputs): x1, x = self.down1(inputs) x2, x = self.down2(x) x3, x = self.down3(x) x4, x = self.down4(x) x = self.mid_conv1(x) x = self.mid_bn1(x) x = self.mid_conv2(x) x = self.mid_bn2(x) x = self.up4(x4, x) x = self.up3(x3, x) x = self.up2(x2, x) x = self.up1(x1, x) x = self.last_conv(x) return x # 打印模型结构，需要不打印模型结构注释下一行即可paddle.summary(UNet(2), (1, 3, 128, 128))登录后复制
-------------------------------------------------------------------------------------------------------------- Layer (type) Input Shape Output Shape Param # ============================================================================================================== Conv2D-1 [[1, 3, 128, 128]] [1, 64, 128, 128] 1,792 BatchNorm-1 [[1, 64, 128, 128]] [1, 64, 128, 128] 256 Conv2D-2 [[1, 64, 128, 128]] [1, 64, 128, 128] 36,928 BatchNorm-2 [[1, 64, 128, 128]] [1, 64, 128, 128] 256 MaxPool2D-1 [[1, 64, 128, 128]] [1, 64, 64, 64] 0 Encoder-1 [[1, 3, 128, 128]] [[1, 64, 128, 128], [1, 64, 64, 64]] 0 Conv2D-3 [[1, 64, 64, 64]] [1, 128, 64, 64] 73,856 BatchNorm-3 [[1, 128, 64, 64]] [1, 128, 64, 64] 512 Conv2D-4 [[1, 128, 64, 64]] [1, 128, 64, 64] 147,584 BatchNorm-4 [[1, 128, 64, 64]] [1, 128, 64, 64] 512 MaxPool2D-2 [[1, 128, 64, 64]] [1, 128, 32, 32] 0 Encoder-2 [[1, 64, 64, 64]] [[1, 128, 64, 64], [1, 128, 32, 32]] 0 Conv2D-5 [[1, 128, 32, 32]] [1, 256, 32, 32] 295,168 BatchNorm-5 [[1, 256, 32, 32]] [1, 256, 32, 32] 1,024 Conv2D-6 [[1, 256, 32, 32]] [1, 256, 32, 32] 590,080 BatchNorm-6 [[1, 256, 32, 32]] [1, 256, 32, 32] 1,024 MaxPool2D-3 [[1, 256, 32, 32]] [1, 256, 16, 16] 0 Encoder-3 [[1, 128, 32, 32]] [[1, 256, 32, 32], [1, 256, 16, 16]] 0 Conv2D-7 [[1, 256, 16, 16]] [1, 512, 16, 16] 1,180,160 BatchNorm-7 [[1, 512, 16, 16]] [1, 512, 16, 16] 2,048 Conv2D-8 [[1, 512, 16, 16]] [1, 512, 16, 16] 2,359,808 BatchNorm-8 [[1, 512, 16, 16]] [1, 512, 16, 16] 2,048 MaxPool2D-4 [[1, 512, 16, 16]] [1, 512, 8, 8] 0 Encoder-4 [[1, 256, 16, 16]] [[1, 512, 16, 16], [1, 512, 8, 8]] 0 Conv2D-9 [[1, 512, 8, 8]] [1, 1024, 8, 8] 525,312 BatchNorm-9 [[1, 1024, 8, 8]] [1, 1024, 8, 8] 4,096 Conv2D-10 [[1, 1024, 8, 8]] [1, 1024, 8, 8] 1,049,600 BatchNorm-10 [[1, 1024, 8, 8]] [1, 1024, 8, 8] 4,096 Conv2DTranspose-1 [[1, 1024, 8, 8]] [1, 512, 16, 16] 2,097,664 Conv2D-11 [[1, 1024, 16, 16]] [1, 512, 16, 16] 4,719,104 BatchNorm-11 [[1, 512, 16, 16]] [1, 512, 16, 16] 2,048 Conv2D-12 [[1, 512, 16, 16]] [1, 512, 16, 16] 2,359,808 BatchNorm-12 [[1, 512, 16, 16]] [1, 512, 16, 16] 2,048 Decoder-1 [[1, 512, 16, 16], [1, 1024, 8, 8]] [1, 512, 16, 16] 0 Conv2DTranspose-2 [[1, 512, 16, 16]] [1, 256, 32, 32] 524,544 Conv2D-13 [[1, 512, 32, 32]] [1, 256, 32, 32] 1,179,904 BatchNorm-13 [[1, 256, 32, 32]] [1, 256, 32, 32] 1,024 Conv2D-14 [[1, 256, 32, 32]] [1, 256, 32, 32] 590,080 BatchNorm-14 [[1, 256, 32, 32]] [1, 256, 32, 32] 1,024 Decoder-2 [[1, 256, 32, 32], [1, 512, 16, 16]] [1, 256, 32, 32] 0 Conv2DTranspose-3 [[1, 256, 32, 32]] [1, 128, 64, 64] 131,200 Conv2D-15 [[1, 256, 64, 64]] [1, 128, 64, 64] 295,040 BatchNorm-15 [[1, 128, 64, 64]] [1, 128, 64, 64] 512 Conv2D-16 [[1, 128, 64, 64]] [1, 128, 64, 64] 147,584 BatchNorm-16 [[1, 128, 64, 64]] [1, 128, 64, 64] 512 Decoder-3 [[1, 128, 64, 64], [1, 256, 32, 32]] [1, 128, 64, 64] 0 Conv2DTranspose-4 [[1, 128, 64, 64]] [1, 64, 128, 128] 32,832 Conv2D-17 [[1, 128, 128, 128]] [1, 64, 128, 128] 73,792 BatchNorm-17 [[1, 64, 128, 128]] [1, 64, 128, 128] 256 Conv2D-18 [[1, 64, 128, 128]] [1, 64, 128, 128] 36,928 BatchNorm-18 [[1, 64, 128, 128]] [1, 64, 128, 128] 256 Decoder-4 [[1, 64, 128, 128], [1, 128, 64, 64]] [1, 64, 128, 128] 0 Conv2D-19 [[1, 64, 128, 128]] [1, 2, 128, 128] 130 ==============================================================================================================Total params: 18,472,450Trainable params: 18,460,674Non-trainable params: 11,776--------------------------------------------------------------------------------------------------------------Input size (MB): 0.19Forward/backward pass size (MB): 174.75Params size (MB): 70.47Estimated Total Size (MB): 245.40--------------------------------------------------------------------------------------------------------------登录后复制
{'total_params': 18472450, 'trainable_params': 18460674}登录后复制 3.2 采用高层API训练模型
注意：本段落的运行会清空之前的所有数据文件，并重新创建空的文件夹！同时该段落的训练时长与epochs的大小高度相关，请耐心等待训练完成！
若需要查看的loss，acc需要，打开左侧的可视化，路径设置为/home/aistudio/data/train_log，即可
# 判断日志文件是否存在，存在就删除，然后创建空的文件夹用于存log文件def del_file(path): if os.path.exists(path): shutil.rmtree(path) os.mkdir(path)del_file(log_path)del_file(modle_and_weight_path)del_file(test_path)print(paddle.device.get_device())paddle.device.set_device('gpu:0')# 创建调用模型modle = paddle.Model(UNet(2))# opt = paddle.optimizer.Momentum(learning_rate=1e-3,parameters=modle.parameters(),weight_decay=1e-2)opt = paddle.optimizer.AdamW(learning_rate=1e-3,parameters=modle.parameters(),weight_decay=1e-2)modle.prepare(opt, paddle.nn.CrossEntropyLoss(axis=1),metrics=paddle.metric.Accuracy())# 创建回调，将训练过程中的val_loss,train_loss,val_acc,train_acc,保存到文件夹/home/aistudio/data/train_log中callback = paddle.callbacks.VisualDL(log_dir = log_path)# 请耐心等待它训练完成，若需要观察每次训练的acc与loss，可以将verbose设置为1，(申请精品项目输出不能太长，所以就默认为0，也就是不打印)# save_freq=5，每训练5次，保存一次模型# 模型的权重文件保存在/home/aistudio/data/modle_weight# 训练log_freq次打印一次结果modle.fit(train_dataloader, eval_dataloader, epochs=epochs, verbose=0, save_dir = modle_and_weight_path, save_freq=5, log_freq=1, callbacks=callback)登录后复制 cpu登录后复制 ---------------------------------------------------------------------------ValueError Traceback (most recent call last)/tmp/ipykernel_1308/2477755552.py in
3.3 预测图象
将测试集预测后的数据放入地址为：test——path中。预测图片为：
In [ ]# 预测图像保存绝对路径if os.path.exists(test_path): shutil.rmtree(test_path)os.mkdir(test_path)#读取模型参数文件路径save_dir = test_pathcheckpoint_path = modle_and_weight_path + "/final"#实例化，U-Netmodel = paddle.Model(UNet(2)) # 加载最后训练的模型model.load(checkpoint_path)# 生成预测图片到文件夹/home/aistudio/data/pre_test_label# img格式为：【3，128，128】for i,img in tqdm(enumerate(test_dataset)): #print(paddle.to_tensor(img[0]).shape) img=paddle.to_tensor(img[0]).unsqueeze(0) predict=np.array(model.predict_batch(img)).squeeze(0).squeeze(0) predict=predict.argmax(axis=0) image_path=test_dataset.path[i] path_lst=image_path[0].split("/") save_path=os.path.join(save_dir,path_lst[-1][:-5])+"p.webp" cv2.imwrite(save_path,predict*255)登录后复制 3.4 评估指标计算
包含常用指标：
precision: 预测结果的平均精度recall: 预测结果的平均召回率f1score: 预测结果的平均 F1 值accuracy: 预测结果的整体准确率IOU：预测结果的平均交并比**In [ ]# # 评价网络模型结果#########################################################################def evaluate_segmentation_performance(pred_masks, true_masks): """ 计算图像分割性能评估指标 参数： - pred_masks: numpy 数组，表示预测的掩码图像，形状为 (N, H, W, 1)，取值为 0 或 1 - true_masks: numpy 数组，表示真实的掩码图像，形状为 (N, H, W, 1)，取值为 0 或 1 返回值： - precision: 预测结果的平均精度 - recall: 预测结果的平均召回率 - f1score: 预测结果的平均 F1 值 - accuracy: 预测结果的整体准确率 - IOU：预测结果的平均交并比 """ # 将预测结果和真实结果转换为 int 类型，以避免出现数据类型错误 pred_masks = np.round(pred_masks).astype(np.int32) true_masks = np.round(true_masks).astype(np.int32) # 计算 TP，FP 和 FN TP = np.sum((pred_masks == 1) & (true_masks == 1)) FP = np.sum((pred_masks == 1) & (true_masks == 0)) FN = np.sum((pred_masks == 0) & (true_masks == 1)) print(TP, FP, FN) # 计算准确率、召回率和 F1 值 precision = TP / (TP + FP) recall = TP / (TP + FN) f1score = 2 * precision * recall / (precision + recall) # 计算整体准确率 accuracy = np.mean(pred_masks == true_masks) # 计算 IOU intersection = np.sum(pred_masks & true_masks) union = np.sum(pred_masks | true_masks) iou = intersection / union return precision, recall, f1score, accuracy, iou登录后复制 In [ ]
# 提取经过（resize，标签二值化）处理的图片列表eval_img_list = [test_dataset.__getitem__(i)[0] for i in range(len(test_dataset))]eval_label_list = [test_dataset.__getitem__(i)[1] for i in range(len(test_dataset))]# img灰度--->[150,3,128,128]img = paddle.to_tensor(eval_img_list)# label二值--->[150,1,128,128]label = np.array(paddle.to_tensor(eval_label_list))# predict其中2代表两通道预测各类别的概率--->[150,2,128,128]predict = np.array(model.predict_batch(img)).squeeze(0)# pre_img_list-->[150,128,128,1]pre_img_list = paddle.to_tensor([predict[i].argmax(axis=0) for i in range(len(predict))]).unsqueeze(-1)# pre_img_list-->[150,1,128,128]pre_img_list = np.array(pre_img_list.transpose((0, 3, 1, 2)))# 计算指标precision, recall, f1score, accuracy, iou = evaluate_segmentation_performance(pre_img_list, label)print('unet评价指标为：\nP:{},\nR:{},\nF1:{},\nACC:{},\nIOU:{}'.format(precision, recall, f1score, accuracy, iou))登录后复制 In [ ]登录后复制
免责声明：
游乐网为非赢利性网站，所展示的游戏/软件/文章内容均来自于互联网或第三方用户上传分享，版权归原作者所有，本站不承担相应法律责任。如您发现有涉嫌抄袭侵权的内容，请联系youleyoucom@outlook.com。
相关攻略
Python以其卓越的开发效率和灵活性著称，但在处理大规模数值计算时，其执行速度往往成为瓶颈。一个典型的例子是100×100的矩阵乘法：使用原生Python的三层循环实现可能需要近3秒，而用C语言完成相同计算仅需约0 01秒。这种显著的性能差距主要源于Python作为解释型语言的运行时开销，包括动态
Python代码性能优化是每位开发者都会面临的挑战。当程序运行缓慢时，我们常常困惑于瓶颈究竟源自CPU计算、内存管理还是I O等待。仅依赖 time 命令或 cProfile 等传统工具，往往只能获得模糊的性能概览，难以精确定位导致效率低下的具体代码行。手动插桩和工具切换不仅效率低下，结论也常常依赖
Python 是一种编程语言吗？它与我们日常使用的汉语、英语有何本质区别？这是许多初学者首先会产生的疑问。本文将为您清晰解析 Python 与自然语言的核心差异，并阐述 Python 作为高级编程语言的独特优势与应用领域。 我们日常用于沟通交流的中文、英文等，属于“自然语言”。这类语言在人类历史与文
在Linux系统中，通过源码编译安装Python可避免破坏系统工具，实现版本精确控制与环境隔离。编译时需安装依赖，使用`--prefix`指定路径并以`altinstall`安装。多版本共存时可通过修改PATH或使用全路径调用，确保版本独立且安全。
2026年5月初，全球数百万用户信赖的开源下载管理器JDownloader遭遇了一场精心策划的供应链攻击。攻击者成功入侵了其官方网站jdownloader org，将官方下载链接替换为携带恶意软件的伪造安装程序。在短短两天的窗口期内，任何通过受影响链接下载“标准安装程序”的用户，都可能已在不知不觉中
热门专题
刀塔传奇破解版无限钻石下载大全
2025-08-05
洛克王国正式正版手游下载安装大全
2025-08-05
热门推荐
2026年5月6日，存储行业迎来一个标志性节点：美光正式向市场交付其6600 ION系列固态硬盘的245TB版本。这不仅刷新了商用SSD的容量纪录，更意味着数据中心存储的密度与能效竞赛，进入了新的阶段。 这款“巨无霸”SSD的核心，是美光自研的第九代（G9）276层3D QLC NAND闪存颗粒。为
2026年5月5日，小米汽车旗下备受期待的首款增程式全尺寸SUV——内部代号“昆仑”的路试谍照正式曝光。作为一款瞄准多人口家庭用户市场的战略车型，“昆仑”采用了当前市场热门的增程式混合动力技术路线，旨在为用户提供无里程焦虑的纯电出行体验。 据悉，这款全新SUV计划于2026年下半年正式上市发布，其亮
备受期待的荣耀600系列手机国行版本，即将在本月下旬正式登陆国内市场。根据最新备案信息，该系列将提供六款独具特色的配色供消费者选择，分别为：象征喜悦的“好事橙”、寓意美好的“幸运星”、清新淡雅的“茉莉白”、活力十足的“青苹果”、深邃迷人的“光羽蓝”，以及永不过时的经典“曜石黑”。 从硬件配置来看，荣
近日，游戏界传来一则颇具讨论价值的消息。由前《巫师3》总监Konrad Tomaszkiewicz领衔的工作室Rebel Wolves，正式公布了其正在开发的黑暗奇幻角色扮演游戏《黎明行者之血》的一项激进设计：玩家在完成序章后，几乎可以跳过所有支线任务与地图探索，直接挑战位于城堡中的最终BOSS。
在王者荣耀的对抗路中，老夫子凭借其独特的机制，始终是令对手头疼的强势英雄。想要真正掌握这位“单挑王”，一套精准的攻速铭文搭配与灵活的出装思路，是奠定你线上压制力与团战影响力的关键。正确的配置，能让你从对线期开始就掌握主动权。 攻速铭文搭配：构筑前期优势的核心 铭文是英雄前期作战能力的基石。对于依赖普