Python tf.keras.metrics.OneHotIoU用法及代碼示例

計算one-hot 編碼標簽的Intersection-Over-Union 度量。

繼承自：IoU、Metric、Layer、Module

用法

tf.keras.metrics.OneHotIoU(
    num_classes:int,
    target_class_ids:Union[List[int], Tuple[int, ...]],
    name=None,
    dtype=None
)

一般定義和計算：

Intersection-Over-Union 是語義圖像分割的常用評估指標。

對於單個類，IoU 指標定義如下：

iou = true_positives / (true_positives + false_positives + false_negatives)

為了計算 IoU，預測被累積在一個混淆矩陣中，由 sample_weight 加權，然後從中計算度量。

如果 sample_weight 是 None ，則權重默認為 1。使用 0 的 sample_weight 來屏蔽值。

此類可用於計算 multi-class 分類任務的 IoU，其中標簽為 one-hot 編碼(最後一個軸每個類應該有一個維度)。請注意，預測也應該具有相同的形狀。為了計算 IoU，首先通過類軸上的 argmax 將標簽和預測轉換回整數格式。然後應用與基礎IoU 類相同的計算步驟。

請注意，如果標簽和預測中隻有一個通道，則此類與類 IoU 相同。在這種情況下，請改用IoU。

此外，請確保 num_classes 等於數據中的類數，以避免在計算混淆矩陣時出現“標簽越界”錯誤。

單機使用：

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.OneHotIoU(num_classes=3, target_class_ids=[0, 2])
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 / (0.3 + 0.6 - 0) + 0.1 / (0.7 + 0.1 - 0.1)) / 2
m.result().numpy()
0.071

compile() API 的用法：

model.compile(
  optimizer='sgd',
  loss='mse',
  metrics=[tf.keras.metrics.OneHotIoU(num_classes=3, target_class_id=[1])])