PyTorch 图像分类模型测试：准确率计算和可视化

from torchvision import transforms
from torchvision.datasets import ImageFolder
from torch.utils.data import DataLoader
import torch
import random
import os
from PIL import Image
from sklearn.metrics import accuracy_score
import matplotlib.pyplot as plt

# 设置随机种子
random.seed(123)

# 定义图像预处理操作
IMG_HEIGHT = 224
IMG_WIDTH = 224
normalize = transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225])
transform = transforms.Compose([
    transforms.Resize((IMG_HEIGHT, IMG_WIDTH)),  # 调整图像大小
    transforms.ToTensor(),  # 转换为Tensor
    normalize  # 归一化
])

# 加载测试集数据
val_dir = 'path/to/your/validation/dataset'  # 替换为实际路径
test_dataset = ImageFolder(val_dir, transform=transform)
test_loader = DataLoader(test_dataset, batch_size=1, shuffle=False)

# 获取测试集样本数
total_test = len(test_loader)
print('Total testing data batches: ', total_test)

# 模型测试
device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')
model = ...  # 替换为您的模型
model.to(device)
model.eval()

y_true_class = []
y_pred_class = []

# 随机选择10张图片进行预测
selected_img_paths = random.choices(test_dataset.imgs, k=10)
for img_path, _ in selected_img_paths:
    img = Image.open(img_path).convert('RGB')
    img = transform(img).unsqueeze(0).to(device)
    with torch.no_grad():
        output = model(img)
        pred = torch.argmax(output, dim=1)
        y_pred_class.append(pred.item())
        y_true_class.append(test_dataset.class_to_idx[os.path.basename(os.path.dirname(img_path))])

# 计算准确率
y_true = torch.Tensor(y_true_class)
y_pred = torch.Tensor(y_pred_class)
accuracy = (y_true.eq(y_pred).sum() / len(y_true)).item()
print('Accuracy: {:.2f}%'.format(accuracy * 100))

# 随机选择一些测试样本进行展示
for img, label in random.sample(test_dataset, 5):
    img = img.unsqueeze(0).to(device)
    with torch.no_grad():
        output = model(img)
        pred = torch.argmax(output, dim=1).item()
    
    label_name = test_dataset.classes[label]
    pred_name = test_dataset.classes[pred]
    
    # 反归一化
    img = img.squeeze(0).permute(1, 2, 0)
    img = img * torch.Tensor([0.229, 0.224, 0.225]) + torch.Tensor([0.485, 0.456, 0.406])
    
    plt.title('true label: '{}', predicted label: '{}''.format(label_name, pred_name))
    plt.imshow(img)
    plt.show()

代码说明：

导入必要的库：导入 torchvision, torch, random, os, PIL, sklearn.metrics 和 matplotlib.pyplot 库。
设置随机种子：使用 random.seed(123) 设置随机种子，确保代码运行结果一致。
定义图像预处理操作：使用 transforms.Compose 定义图像预处理操作，包括调整图像大小、转换为 Tensor 和归一化。
加载测试集数据：使用 ImageFolder 加载测试集数据，并使用 DataLoader 创建数据加载器。
获取测试集样本数：使用 len(test_loader) 获取测试集样本数。
模型测试：将模型加载到设备上并设置为评估模式。
随机选择测试样本：使用 random.choices 随机选择 10 个测试样本进行预测。
计算准确率：使用 accuracy_score 计算模型的准确率。
可视化预测结果：随机选择 5 个测试样本，将真实标签和预测标签显示在图像标题中。

优化点：

使用 transforms.Normalize 时，将归一化参数定义为变量，以便在多个地方重复使用。
使用 random.choices 随机选择多个样本，避免样本重复选择。
使用 torch.no_grad() 上下文管理器关闭梯度计算，提高代码运行效率。
使用 torch.Tensor 的 eq 和 mean 方法计算准确率。

注意：

将 val_dir 替换为您的实际测试集路径。
将 model 替换为您的图像分类模型。
确保您的模型已经训练完毕。