如何在PyTorch中计算语义分割模型的类别准确率？

你已经在用sklearn.metrics计算MIoU的话，完全可以直接复用计算MIoU时生成的混淆矩阵来统计类别级像素准确率，不需要重复遍历像素做统计，效率更高。

核心计算逻辑 #

类别级像素准确率（Class-wise Pixel Accuracy, cPA）的定义为：单个类别预测正确的像素数 / 该类别在真实标注中的总像素数，对应混淆矩阵的统计逻辑为：

• 单个类别预测正确的像素数 = 混淆矩阵对角线对应位置的值（真阳性TP）
• 单个类别的真实总像素数 = 混淆矩阵对应行的求和值（真阳性TP + 假阴性FN，即所有标注为该类的像素总数）

具体实现步骤 #

1. 对齐MIoU计算的前置混淆矩阵生成逻辑 #

你当前计算MIoU时，必然已经生成了全局混淆矩阵，标准的生成代码和你现有逻辑是对齐的：

import numpy as np
from sklearn import metrics

# 参数说明：
# num_classes: 待评估的类别总数，不包含需要忽略的无效类
# ignore_index: 需要跳过的无效标签值，比如常用的255（边界、未标注区域）
# gt: 真实分割标注图，shape为(H,W)的numpy数组
# pred: 模型输出的分割预测图，shape和gt一致

# 先过滤无效像素
valid_mask = (gt != ignore_index)
gt_flatten = gt[valid_mask].flatten()
pred_flatten = pred[valid_mask].flatten()

# 生成混淆矩阵：行索引对应真实类别，列索引对应预测类别
conf_mat = metrics.confusion_matrix(
    gt_flatten, 
    pred_flatten, 
    labels=list(range(num_classes))
)

你现有计算MIoU的逻辑就是基于这个混淆矩阵：单类IoU = 对角线值 / (对应行和 + 对应列和 - 对角线值)，所有类IoU取均值就是MIoU，这一步的混淆矩阵可以直接复用，不需要重复计算。

2. 计算类别级像素准确率 #

直接基于混淆矩阵做矩阵运算即可，不需要额外依赖其他库：

# 取每个类的TP值（预测正确的像素数）
tp_per_class = np.diag(conf_mat)
# 取每个类的真实标注总像素数
gt_sum_per_class = conf_mat.sum(axis=1)
# 计算单类像素准确率，自动处理某类在当前评估数据中不存在（分母为0）的异常情况
class_pixel_acc = np.divide(
    tp_per_class,
    gt_sum_per_class,
    out=np.zeros_like(tp_per_class, dtype=np.float32),
    where=gt_sum_per_class != 0
)

最终得到的class_pixel_acc是长度为num_classes的数组，数组索引对应类别id，值就是对应类别的像素准确率。如果需要直观输出结果，可以搭配类别名列表打印：

# class_names为存储类别名的列表，顺序和类别id一一对应，比如['道路','人行道','建筑'...]
for cls_id, acc in enumerate(class_pixel_acc):
    print(f"类别 {class_names[cls_id]} 像素准确率: {round(acc, 4)}")

补充：全局像素准确率计算 #

如果需要同时统计所有类别的全局像素准确率（所有预测正确的像素占总有效像素的比例），可以直接用以下代码计算：

global_pixel_acc = tp_per_class.sum() / conf_mat.sum()

内容的提问来源于stack exchange，提问作者Muhammad Butt