时间戳

首页 > 解决方案 > 大图实例IOU快速计算

python - 大图实例IOU快速计算

问题描述

我有一个实例布尔掩码，448 个实例的形状为 (448, 1000, 1000)，实例的平均像素约为 100。

现在，如果我有一个形状为 (1000, 1000) 的预测矩阵并按整数预测实例，即如果矩阵预测 500 个实例，则 np.unique(pred) 将为 501（500 类 + 1 个背景）。

我需要计算每对预测和掩码的 IOU（杰卡德指数）以找到最大 IOU。我在下面编写了代码，但它超级慢且效率低下。

c = 0 #intersection count
u = 0 #union count
pred_used = [] #record prediction used

# loop for every ground truth mask
for idx_m in range(len(mask[:,0,0])):
    m = mask[idx_m,:,:] #take one mask
    intersect_list = []
    union_list = []

    # loop every prediction
    for idx_pred in range(1, int(np.max(pred))+1):
        p = (pred==idx_pred) # take one prediction mask
        intersect = np.sum(m.ravel() * p.ravel()) #calculate intersect
        union = np.sum(m.ravel() + p.ravel() - m.ravel()*p.ravel())
        intersect_list.append(intersect)
        union_list.append(union_list)

    if np.sum(intersect_list) > 0:
        idx_max_iou = np.argmax(np.array(intersect_list))
        c += intersect_list[idx_max_iou]
        u += union_list[idx_max_iou]
        pred_used.append(idx_max_iou)

标签： pythonnumpyimage-segmentation

解决方案

因此，您有一个大小为 [1000,1000] 的输出图像，它是您的模型预测的数组/张量。

您可以做的第一件事是将标签和预测从 [1000,1000] 重塑为 [1000*1000, ]。这将复杂性从 N^2 降低到 N。这应该会显着提高速度。

你也可以试试 Scikit 的 IoU，它可能比你的版本快一点。

你可以在这里找到一个例子：如何从分割掩码中找到 IoU？

文档：http ://scikit-learn.org/stable/modules/generated/sklearn.metrics.jaccard_similarity_score.html

推荐阅读