Python tf.keras.metrics.BinaryIoU用法及代码示例

计算类 0 和/或 1 的 Intersection-Over-Union 指标。

继承自：IoU、Metric、Layer、Module

用法

tf.keras.metrics.BinaryIoU(
    target_class_ids:Union[List[int], Tuple[int, ...]] = (0, 1),
    threshold=0.5,
    name=None,
    dtype=None
)

一般定义和计算：

Intersection-Over-Union 是语义图像分割的常用评估指标。

对于单个类，IoU 指标定义如下：

iou = true_positives / (true_positives + false_positives + false_negatives)

为了计算 IoU，预测被累积在一个混淆矩阵中，由 sample_weight 加权，然后从中计算度量。

如果 sample_weight 是 None ，则权重默认为 1。使用 0 的 sample_weight 来屏蔽值。

此类可用于计算二进制分类任务的 IoU，其中预测以 logits 形式提供。首先将 threshold 应用于预测值，以便将低于 threshold 的值转换为 0 类，将高于 threshold 的值转换为 1 类。

然后计算类 0 和 1 的 IoU，返回由 target_class_ids 指定的类的 IoU 平均值。

注意：使用 threshold=0 时，此指标具有与 IoU 相同的行为。

单机使用：

m = tf.keras.metrics.BinaryIoU(target_class_id=[0, 1], threshold=0.3)
m.update_state([0, 1, 0, 1], [0.1, 0.2, 0.4, 0.7])
m.result().numpy()
0.33333334

m.reset_state()
m.update_state([0, 1, 0, 1], [0.1, 0.2, 0.4, 0.7],
               sample_weight=[0.2, 0.3, 0.4, 0.1])
# cm = [[0.2, 0.4],
#        [0.3, 0.1]]
# sum_row = [0.6, 0.4], sum_col = [0.5, 0.5], true_positives = [0.2, 0.1]
# iou = [0.222, 0.125]
m.result().numpy()
0.17

compile() API 的用法：

model.compile(
  optimizer='sgd',
  loss='mse',
  metrics=[tf.keras.metrics.BinaryIoU(target_class_id=[0], threshold=0.5)])