L'apprentissage profond a été révolutionnaire pour la vision par ordinateur et en particulier pour le découpage sémantique, avec l'utilisation de l'Apprentissage Profond Bayésien (APB) pour obtenir des cartes d'incertitude à partir de modèles profonds lors de la prédiction de classes sémantiques. Cette information est cruciale lorsque le découpage sémantique est utilisé pour la conduite autonome, par exemple. Les systèmes standard de découpage sémantique disposent de métriques d'évaluation bien établies. Cependant, avec la popularité croissante de l'APB dans la vision par ordinateur, nous avons besoin de nouvelles métriques pour évaluer si une méthode APB produit des estimations d'incertitude meilleures qu'une autre méthode. Dans ce travail, nous proposons trois telles métriques pour évaluer les modèles APB conçus spécifiquement pour la tâche de découpage sémantique. Nous modifions DeepLab-v3+, l'un des réseaux neuronaux profonds les plus avancés, et créons sa contrepartie bayésienne en utilisant le MC dropout et le Concrete dropout comme techniques d'inférence. Nous comparons ensuite ces deux techniques d'inférence sur le jeu de données Cityscapes bien connu, en utilisant nos métriques suggérées. Nos résultats fournissent de nouveaux points de référence aux chercheurs pour comparer et évaluer leurs améliorations en matière de quantification de l'incertitude, dans le but d'obtenir un découpage sémantique plus sûr.