图像分割指标
MeanIoU 类
tf_keras.metrics.MeanIoU(
num_classes: int,
name: Optional[str] = None,
dtype: Union[str, tensorflow.python.framework.dtypes.DType, NoneType] = None,
ignore_class: Optional[int] = None,
sparse_y_true: bool = True,
sparse_y_pred: bool = True,
axis: int = -1,
)
计算平均交并比指标。
一般定义和计算
交并比是语义图像分割中常用的评估指标。
对于单个类别，IoU 指标定义如下：
iou = true_positives / (true_positives + false_positives + false_negatives)
为了计算 IoU，预测结果会累积到混淆矩阵中，并根据 sample_weight 加权，然后根据混淆矩阵计算指标。
如果 sample_weight 为 None，则权重默认为 1。使用 sample_weight 为 0 来掩盖值。
请注意，此类首先计算所有单个类别的 IoU，然后返回这些值的平均值。
参数
- num_classes: 预测任务可能具有的标签数量。必须提供此值，因为将分配一个维度为 [num_classes, num_classes] 的混淆矩阵。
- name: （可选）指标实例的字符串名称。
- dtype: （可选）指标结果的数据类型。
- ignore_class: 可选整数。在指标计算期间要忽略的类别的 ID。例如，在分割问题中，分割图中通常包含“空洞”类（通常为 -1 或 255），这很有用。默认情况下（
ignore_class=None），会考虑所有类别。 - sparse_y_true: 标签是使用整数还是密集浮点数向量进行编码。如果为
False，则将使用tf.argmax函数来确定每个样本最可能关联的标签。 - sparse_y_pred: 预测是使用整数还是密集浮点数向量进行编码。如果为
False，则将使用tf.argmax函数来确定每个样本最可能关联的标签。 - axis: （可选）包含 logits 的维度。默认为
-1。
独立使用
>>> # 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))
>>> # result = (1 / (2 + 2 - 1) + 1 / (2 + 2 - 1)) / 2 = 0.33
>>> m = tf.keras.metrics.MeanIoU(num_classes=2)
>>> 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])
>>> m.result().numpy()
0.23809525
与 compile() API 一起使用
model.compile(
optimizer='sgd',
loss='mse',
metrics=[tf.keras.metrics.MeanIoU(num_classes=2)])