tf.keras.metrics.OneHotIoU

Вычисляет метрику пересечения и объединения (IoU) для меток, закодированных 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)

Пересечение и объединение (IoU) — распространённая метрика оценки качества семантической сегментации изображений.

Для вычисления IoU прогнозы накапливаются в матрице ошибок с весами sample_weight, после чего по этой матрице рассчитывается метрика.

Если sample_weight равно None, веса по умолчанию равны 1. Используйте sample_weight со значением 0, чтобы маскировать значения.

Этот класс можно использовать для вычисления IoU в задачах классификации с несколькими классами, где метки закодированы в формате one-hot (последняя ось должна содержать по одному измерению на класс). Обратите внимание, что прогнозы также должны иметь ту же форму. Для вычисления IoU метки и прогнозы сначала преобразуются обратно в целочисленный формат: для этого по оси классов берётся argmax. Затем применяются те же этапы вычисления, что и для базового класса IoU.

Обратите внимание: если метки и прогнозы содержат только один канал, этот класс эквивалентен классу IoU. В этом случае вместо него используйте IoU.

Также убедитесь, что num_classes равно числу классов в данных, чтобы избежать ошибки «метки выходят за допустимые границы» при вычислении матрицы ошибок.

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 API compile():

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

Методы

add_variable

Посмотреть исходный код

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

add_weight

Посмотреть исходный код

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

from_config

Посмотреть исходный код

@classmethod
from_config(
    config
)

get_config

Посмотреть исходный код

get_config()

Возвращает сериализуемую конфигурацию метрики.

reset_state

Посмотреть исходный код

reset_state()

Сбрасывает все переменные состояния метрики.

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

result

Посмотреть исходный код

result()

Вычисляет пересечение и объединение по матрице ошибок.

stateless_reset_state

Посмотреть исходный код

stateless_reset_state()

stateless_result

Посмотреть исходный код

stateless_result(
    metric_variables
)

stateless_update_state

Посмотреть исходный код

stateless_update_state(
    metric_variables, *args, **kwargs
)

update_state

Посмотреть исходный код

update_state(
    y_true, y_pred, sample_weight=None
)

Накапливает статистику матрицы ошибок.

__call__

Посмотреть исходный код

__call__(
    *args, **kwargs
)

Вызывает self как функцию.