Python tf.keras.metrics.IoU用法及代码示例

计算特定目标类的 Intersection-Over-Union 指标。

继承自：Metric、Layer、Module

用法

tf.keras.metrics.IoU(
    num_classes:int,
    target_class_ids:Union[List[int], Tuple[int, ...]],
    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。

请注意，此类首先计算所有单个类的 IoU，然后返回由 target_class_ids 指定的类的 IoU 平均值。如果 target_class_ids 只有一个 id 值，则返回该特定类的 IoU。

单机使用：

# cm = [[1, 1],
#        [1, 1]]
# sum_row = [2, 2], sum_col = [2, 2], true_positives = [1, 1]
# iou = true_positives / (sum_row + sum_col - true_positives))
# iou = [0.33, 0.33]
m = tf.keras.metrics.IoU(num_classes=2, target_class_id=[0])
m.update_state([0, 0, 1, 1], [0, 1, 0, 1])
m.result().numpy()
0.33333334

m.reset_state()
m.update_state([0, 0, 1, 1], [0, 1, 0, 1],
               sample_weight=[0.3, 0.3, 0.3, 0.1])
# cm = [[0.3, 0.3],
#        [0.3, 0.1]]
# sum_row = [0.6, 0.4], sum_col = [0.6, 0.4], true_positives = [0.3, 0.1]
# iou = [0.33, 0.14]
m.result().numpy()
0.33

compile() API 的用法：

model.compile(
  optimizer='sgd',
  loss='mse',
  metrics=[tf.keras.metrics.IoU(num_classes=2, target_class_id=[0])])