文章目录
- 1. 引言：为什么需要评价指标？
- 2. 交并比
- 2.1 定义与公式
- 2.2 多类别与平均交并比
- 2.3 Python 代码实现
- 3. Dice 系数
- 3.1 定义与公式
- 3.2 Python 代码实现
- 4. 像素准确率
- 4.1 定义与公式
- 4.2 Python 代码实现
- 5. 总结与对比
在图像分割任务中，最常用且核心的评价指标：交并比、Dice 系数和像素准确率。
1. 引言：为什么需要评价指标？
图像分割的目标是为图像中的每个像素分配一个类别标签。仅仅“看起来不错”是不够的，我们需要定量的指标来：
- 客观比较：公平地比较不同模型或同一模型不同版本的性能。
- 指导优化：在训练过程中，评价指标常作为损失函数的一部分，引导模型向正确的方向学习。
- 判断实用性：确定模型是否达到了实际应用场景的门槛。
其中，交并比 和Dice 系数 是衡量分割区域重叠度最主流的指标，而像素准确率则提供了一个最直观的整体正确率视角。
2. 交并比
交并比，是分割任务中最核心的评价指标，用于衡量预测分割区域与真实标注区域之间的重叠程度。
2.1 定义与公式
IoU 的核心思想是计算“交集”与“并集”的比值：
IOU = (预测区域 ∩ 真实区域) / (预测区域 ∪ 真实区域)
在像素级别上，它可以被计算为：
IoU = TP /
