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

计算 one-hot 编码标签的平均 Intersection-Over-Union 指标。

继承自：MeanIoU、IoU、Metric、Layer、Module

用法

tf.keras.metrics.OneHotMeanIoU(
    num_classes: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。

此类可用于计算 multi-class 分类任务的平均 IoU，其中标签为 one-hot 编码(最后一个轴每个类应该有一个维度)。请注意，预测也应该具有相同的形状。为了计算平均 IoU，首先通过类轴上的 argmax 将标签和预测转换回整数格式。然后应用与基础MeanIoU 类相同的计算步骤。

请注意，如果标签和预测中只有一个通道，则此类与类 MeanIoU 相同。在这种情况下，请改用MeanIoU。

此外，请确保 num_classes 等于数据中的类数，以避免在计算混淆矩阵时出现“标签越界”错误。

单机使用：

y_true = tf.constant([[0, 0, 1], [1, 0, 0], [0, 1, 0], [1, 0, 0]])
y_pred = tf.constant([[0.2, 0.3, 0.5], [0.1, 0.2, 0.7], [0.5, 0.3, 0.1],
                      [0.1, 0.4, 0.5]])
sample_weight = [0.1, 0.2, 0.3, 0.4]
m = metrics.OneHotMeanIoU(num_classes=3)
m.update_state(y_true=y_true, y_pred=y_pred, sample_weight=sample_weight)
# cm = [[0, 0, 0.2+0.4],
#       [0.3, 0, 0],
#       [0, 0, 0.1]]
# sum_row = [0.3, 0, 0.7], sum_col = [0.6, 0.3, 0.1]
# true_positives = [0, 0, 0.1]
# single_iou = true_positives / (sum_row + sum_col - true_positives))
# mean_iou = (0 + 0 + 0.1 / (0.7 + 0.1 - 0.1)) / 3
m.result().numpy()
0.048

compile() API 的用法：

model.compile(
  optimizer='sgd',
  loss='mse',
  metrics=[tf.keras.metrics.OneHotMeanIoU(num_classes=3)])