python工具方法 23 应用于语义分割的F1,recall,precision,iou,kappa系数的计算工具(支持ignore_index)

使用工具sklearn是可以计算F1,recall,precision,iou,kappa系数这些指标的，但是当有很多个图片需要进行评价时，往往会导致内存不够。因此对F1,recall,precision,iou,kappa系数的计算方式进行分析，发现每张图片的预测结果只需要累加到混淆矩阵中即可，因此实现了可以针对于任意容量数据的测评，并附上用于测试图片目录的代码。

1、指标计算工具

具体实现方式如以下代码所示，每一行代码都有相应的注释，其核心部分就是_fast_confusion_matrix函数（用于计算label_pred与label_true所构成的混淆矩阵），在使用时调用add_batch或add_data函数不断添加数据，需要获取结果时，直接调用evaluate函数即可。

使用时请注意，label必须为自然数，因为np.bincount只支持自然数。

此外，还需注意：

f1=(2 * precision * recall+smooth )/ (precision + recall+smooth)
碰到precsion和recall为0，会计算出f1=1的情况，因此调整为以下计算方式：
(2 * (precision+smooth) * (recall+smooth) )/ (precision + recall+2*smooth)

import numpy as np

class SegMetric: