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（Intersection-Over-Union）指标。

通用定义与计算

交并比（Intersection-Over-Union）是用于语义图像分割的一种常用评估指标。

对于单个类别，IoU 指标定义如下

iou = true_positives / (true_positives + false_positives + false_negatives)

要计算 IoU，预测值会累积到一个混淆矩阵中，并由 sample_weight 加权，然后从中计算出指标。

如果 sample_weight 为 None，权重默认为 1。使用 sample_weight 为 0 来屏蔽值。

请注意，此类首先会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，因为会分配一个维度为 [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。在指标计算过程中要忽略的类别的 ID。例如，在分割图中具有“空白”类别（通常为 -1 或 255）的分割问题中，这很有用。默认情况下（ignore_class=None），考虑所有类别。
sparse_y_true: 标签是使用整数编码还是密集浮点向量编码。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: 预测值是使用整数编码还是密集浮点向量编码。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)])

图像分割指标

MeanIoU 类

图像分割指标

MeanIoU 类

`MeanIoU` 类