在语义分割中，不同类型的目标尺寸不一样，这导致不同类型的mask（标注区域）面积不一样，比如遥感影像地物分类中，道路的面积较小，而植被的面积较大。所形成的像素级label中，植被的label数是道路的几百倍。在训练过程中，这是一种极度类别不平衡的情况，会使得模型倾向于将大部分数据预测为植被。因此需要统计出label中每一个类别出现的频率，调整其对交叉熵loss的贡献，使每一个类别的数据在训练时产生的监督信号是相等的。
1、核心代码为此，记录统计语义分割数据集中各类别频率的代码，针对自己的数据集这里需要修改train_line_file和num_classes。train_line_file为你的数据集路径，num_classes为mask中label的总类别数。博主这里
label一共有7类，label值分别为1-7，label为0时表示未标注区域。因此博主在代码后面对hist进行了截取。如果你的数据集中label为0也需要考虑，则请注释掉对hist的截取。
import numpy as np from PIL import Image from tqdm import tqdm train_line_file =
