tf.keras.metrics.OneHotIoU

Вычисляет метрику Intersection-over-Union для меток в формате one-hot.

Наследуется от: IoU, Metric

tf.keras.metrics.OneHotIoU(
    num_classes,
    target_class_ids,
    name=None,
    dtype=None,
    ignore_class=None,
    sparse_y_pred=False,
    axis=-1
)

Формула:

iou = true_positives / (true_positives + false_positives + false_negatives)

Intersection-Over-Union — распространенная метрика оценки для семантической сегментации изображений.

Для вычисления IoU предсказания накапливаются в матрице неточностей, взвешенной по sample_weight, а затем по ней рассчитывается метрика.

Если sample_weight — None, веса по умолчанию равны 1. Используйте sample_weight значение 0 для маскирования значений.

Этот класс можно использовать для вычисления IoU для задач многоклассовой классификации, где метки закодированы в формате one-hot (последняя ось должна иметь по одному измерению на класс). Обратите внимание, что предсказания также должны иметь ту же форму. Для вычисления IoU метки и предсказания сначала преобразуются в целочисленный формат путём взятия argmax по оси класса. Затем применяются те же шаги вычисления, что и для базового класса IoU.

Обратите внимание, что если в метках и предсказаниях всего один канал, этот класс эквивалентен классу IoU. В этом случае используйте IoU.

Также убедитесь, что num_classes соответствует количеству классов в данных, чтобы избежать ошибки «метки вне диапазона» при вычислении матрицы неточностей.

Пример:

Пример:

y_true = np.array([[0, 0, 1], [1, 0, 0], [0, 1, 0], [1, 0, 0]])
y_pred = np.array([[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 = keras.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()
0.071

Использование с compile() API:

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

Методы

add_variable

Открыть исходный код

add_variable(
    shape, initializer, dtype=None, aggregation='sum', name=None
)

add_weight

Открыть исходный код

add_weight(
    shape=(), initializer=None, dtype=None, name=None
)

from_config

Открыть исходный код

@classmethod
from_config(
    config
)

get_config

Открыть исходный код

get_config()

Возвращает сериализуемую конфигурацию метрики.

reset_state

Открыть исходный код

reset_state()

Сбрасывает все переменные состояния метрики.

Эта функция вызывается между эпохами/шагами, когда метрика оценивается во время обучения.

result

Открыть исходный код

result()

Вычисляет пересечение-над-объединением через матрицу неточностей.

stateless_reset_state

Открыть исходный код

stateless_reset_state()

stateless_result

Открыть исходный код

stateless_result(
    metric_variables
)

stateless_update_state

Открыть исходный код

stateless_update_state(
    metric_variables, *args, **kwargs
)

update_state

Открыть исходный код

update_state(
    y_true, y_pred, sample_weight=None
)

Накапливает статистику матрицы неточностей.

__call__

Открыть исходный код

__call__(
    *args, **kwargs
)

Вызов self как функции.