步骤 03 / 04
评估与鲁棒性
用真值掩码量化分割质量，导入 U-Net 预测 Mask 与传统流水线同图对比，并用 8 项扰动检验复杂采集条件下的稳定性。
IoU / Dice / PABoundary F1细线召回微孔完整率8 项扰动
模型评估：真值对比 + 传统 vs 深度学习（IoU / 分类准确率 / 细线 / 微孔）
IoU（交并比）
—
Dice 系数
—
像素准确率 PA
—
Boundary F1（容差2px）
—
细线像素召回
—
微小镂空完整率
—
符号分类准确率（人工复核）
—
未复核
召回率 Recall
—
精确率 Precision
—
像素 F1
—
自评（无需真值）：载入图像后显示。
传统流水线 Mask本页实测
U-Net 预测 Mask（导入 / 后端）未导入
误差分布绿=命中 · 蓝=误检 · 红=漏检
混淆矩阵（像素级；行 = 真值，列 = 预测）
| 预测前景 | 预测背景 | |
|---|---|---|
| 真值前景 | — | — |
| 真值背景 | — | — |
上传真值掩码后显示。
| 方法 | IoU | Boundary F1 | 细线召回 | 微孔完整率 | 来源 |
|---|---|---|---|---|---|
| 传统图像处理（纯 OpenCV 式流水线） | 待上传真值 | 待上传真值 | — | — | 浏览器端实测 |
| 深度学习（U-Net / SAM / DeepLab） | 待导入/后端 | 待导入/后端 | — | — | 导入预测 Mask 或后端接口实测 |
真值掩码可由 Labelme 导出或人工标注（白=前景）。上传 GT 后即计算 IoU / Dice / PA / Boundary F1，并额外给出细线像素召回（3×3 邻域前景≤5 的细线条）与微小镂空完整率（GT 中被前景包围、面积≤300px 的小孔是否保持镂空），直接回答"细长线条、微小镂空是否分割完整"。深度学习一行可导入 U-Net 离线推理的 Mask（白=前景），或在上方后端接入位调用接口后自动填充，用于与传统方法同图对比。分类准确率以人工复核为真值：在符号表逐条点"✓正确"或校正类别后自动统计。
鲁棒性一键测试（光照 / 底色 / 噪声 / 破损）
| 扰动 | 前景占比 | 与基准 IoU | 稳定性 |
|---|---|---|---|
| 尚未运行。 | |||
模拟褪色红纸、弱光、扫描噪声、失焦模糊、黑纸深底、轻微破损等真实采集条件（覆盖不同纸色与背景），验证流水线在复杂环境下的识别稳定性（IoU ≥ 0.85 视为稳定）。还需泛化验证时，可回到「图像上传与分割」点选 12 张不同生肖照片换图复测，或在首页拖入自己的照片。
DeepLab 后端接入位（模型 / API 形态）
| 模型 | 本项目中的角色 | 接入方式 |
|---|---|---|
| U-Net | 像素级分割主力，保留剪纸精细边缘（锯齿/波浪纹） | model=unet |
| SAM | 点/框提示（Prompt）交互式精准提取交错单体 | model=sam |
| DeepLab v1/v2 | VGG+CRF / 空洞卷积+ASPP（对比基线） | model=deeplabv1|v2 |
| DeepLab v3/v3+ | 改进 ASPP / 编码器-解码器，细边界最强（默认） | model=deeplabv3|v3plus |
未启用后端时，本页使用浏览器端传统流水线，输出即为 DeepLab 训练所需的弱标签。
启动方式：
pip install -r requirements.txt → python deeplab_segment_api.py --check（一键自检）→ python deeplab_segment_api.py（启动服务），服务地址默认 http://localhost:8000。// 后端接口契约（FastAPI 示例）
POST /segment multipart/form-data
file : 剪纸图片
model : unet | sam | deeplabv1 | deeplabv2 | deeplabv3 | v3plus
prompt_x : 可选，点提示 x（SAM 点提示）
prompt_y : 可选，点提示 y
box : 可选，"x,y,w,h" 框提示
200 → { "mask_png_base64": "...", "backend": "onnx-sam",
"foreground_ratio": 0.37, "boundary_ratio": 0.056 }