在图像分类或者图像分割中，为评价模型的预测效果，在训练过程中通常需要比较预测值与真实标签值的差距，即误差。
目录
图像分类过程的评价指标
混淆矩阵
混淆矩阵，用来总结分类结果的矩阵，N*N的方阵，N表示类别数。混淆矩阵的行表示真实类别，列表示预测类别。
例如：针对一个二分类问题，混淆矩阵为：
| 预测值=1 |
预测值=0 |
|
| 真实值=1 |
TP |
FN |
| 真实值=0 |
FP |
TN |
TP为真阳性，FP为假阳性，FN为假阴性，TN为真阴性。
正确率/准确率
衡量模型在整个数据集上分类正确的比例
精准率
判别为该类的样本中，正确的有多少
（1）类别1的精准率precision：
（2）类别0的精准率precision：
召回率
该类样本中，找回了多少
（1）类别1的召回率recall：
（2）类别0的召回率recall：
注：正确率指全部样本；精准率或召回率指某一类，某一类的精准率或召回率
F1分数
精准率和召回率的调和平均，可以做到二者兼顾。特点是：如果二者极度不平衡，一个值特别高、另一个值特别低时，得到的F1分数也特别低；只有二者都非常高时，F1才会高。
其中，precision recall分别为上述的精准率和召回率，也是针对某一类计算F1分数。
图像分割过程的评价指标
混淆矩阵
图像分割是对图像进行逐像素分类，预测值与真实值不再是分类过程的单个标签值（一整个图片表示一个类别），而是一个h*w的二维数组（每个像素点代表一个类别）。因此，可以可以使用.flatten()函数 将预测值及真实值摊平成一维数组，然后逐个遍历，累计混淆矩阵的值。
混淆矩阵的生成代码
"""
class_num:分割类别数
model：模型
inputs:模型输入 shape=(b,c,h,w) b-batchsize c-channel(图片输入通道数)
labels:模型真实标签 shape=(b,h,w)
outputs:模型预测值 shape=(b,class_num,h,w) class_num维度代表此像素点是所有类别的可能性，outputs.max(dim=1)[1]即可得到最大可能性的类别(预测类别)
"""
import numpy as np
conf_mat=np.zeros((class_num,class_num))
outputs=model(inputs)
pre_label=outputs.max(dim=1)[1].cpu().numpy().flatten()
true_label=labels.cpu().numpy().flatten()
# 混淆矩阵
for i,j in zip(true_label,pre_label):
conf_mat[i][j]+=1IOU与MIOU
iou（intersection over union，交并比）广泛用于语义分割中，指每个类别的预测准确率
其中，target为该类别标签数量，prediction为预测该类别的数量
miou（均交并比）为所有类别iou值的平均值
例1：假设为两个类别的图像分割，混淆矩阵2*2
| 预测值=1 |
预测值=0 |
|
| 真实值=1 |
TP |
FN |
| 真实值=0 |
FP |
TN |
（1）类别1的IOU：
此时，target=TP+FN prediction=TP+FP
（2）类别0的IOU：
此时，target=TN+FP prediction=TN+FN
IOU计算代码
import numpy as np
confusion=np.array([[100,1],[1,200]]) # 一个2*2的混淆矩阵
iou = np.diag(confusion) / (confusion.sum(axis=1) + confusion.sum(axis=0)- np.diag(confusion))
print(iou) # [0.98039216 0.99009901]
# miou为均交并比
miou=np.mean(iou)
print(miou) # 0.9852455833818676
dice系数
dice系数是一种集合相似度量函数，通常用于计算两个样本的相似度，取值范围在[0,1]之间
对于语义分割而言，X是GT分割图像(Ground Truth)，Y是pred分割图像（预测值）
例2：混淆矩阵图与例1相同
（1）类别1的dice系数：
（2）类别0的dice系数：
dice系数计算代码
import numpy as np
conf_mat=np.array([[100,1],[1,200]])
dice = 2 * np.diag(conf_mat) / (conf_mat.sum(axis=1) + conf_mat.sum(axis=0)) # 各个类别的dice系数
print(dice) # [0.99009901 0.99502488]
print(np.mean(dice)) # 0.9925619427614403IOU与dice系数的关系
因此，可以推导得到
由于iou取值在[0,1]之间可知，dice系数大于等于iou值。
使用dice系数可以获得更高的分数。