语义分割评价指标：PA、CPA、MPA、IoU、MIoU详细总结和代码实现（零基础从入门到精通系列！）

文章目录 引言1 混淆矩阵2 语义分割PA：像素准确率CPA：类别像素准确率MPA：类别平均像素准确率IoU：交并比MIoU：平均交并比 3 综合实例步骤一：输入真实、预测图片步骤二：求出混淆矩阵步骤三：评价指标计算PACPAMPAIoUMIoU 4 测试代码参考

引言

语义分割是像素级别的分类，其常用评价指标： 像素准确率（Pixel Accuracy，PA）、 类别像素准确率（Class Pixel Accuray，CPA）、 类别平均像素准确率（Mean Pixel Accuracy，MPA）、 交并比（Intersection over Union，IoU）、 平均交并比（Mean Intersection over Union，MIoU）， 其计算都是建立在混淆矩阵（Confusion Matrix）的基础上。因此，了解基本的混淆矩阵知识对理解上述5个常用评价指标是很有益处的！

1 混淆矩阵

Q： 什么是混淆矩阵？ A： 顾名思义，其就是一个矩阵，可理解为一张表格，但矩阵前加上“混淆”之后，很容易让人理解产生误差，即：“混淆矩阵真混淆（一脸懵逼）”。

下面是一句话解释混淆矩阵： 混淆矩阵就是统计分类模型的分类结果，即：统计归对类，归错类的样本的个数，然后把结果放在一个表里展示出来，这个表就是混淆矩阵。（参考