tf.keras.metrics.OneHotMeanIoU

Вычисляет метрику среднего перекрытия-над-объединением для меток в формате one-hot.

Наследуется от: MeanIoU, IoU, Metric

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

Формула:

iou = true_positives / (true_positives + false_positives + false_negatives)

Перекрытие-над-объединением (Intersection-Over-Union) — это распространенная метрика оценки для семантической сегментации изображений.

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

Если sample_weight является None, веса по умолчанию равны 1. Используйте sample_weight равный 0 для маскирования значений.

Этот класс может использоваться для вычисления среднего 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 такую же форму. Для вычисления среднего IoU сначала метки и предсказания преобразуются в целочисленный формат путем взятия argmax по оси класса. Затем применяются те же шаги вычислений, что и для базового класса MeanIoU.

Обратите внимание, если в метках и предсказаниях есть только один канал, этот класс эквивалентен классу MeanIoU. В этом случае используйте MeanIoU.

Также убедитесь, что num_classes равно количеству классов в данных, чтобы избежать ошибки «метки вне границ» 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.OneHotMeanIoU(num_classes=3)
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 + 0.1 / (0.7 + 0.1 - 0.1)) / 3
m.result()
0.048

Использование с API compile():

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

Методы

add_variable

Просмотреть исходный код

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

add_weight

Просмотреть исходный код

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

from_config

Просмотреть исходный код

@classmethod
from_config(
    config
)

get_config

Просмотреть исходный код

get_config()

Возвращает сериализуемую конфигурацию метрики.

reset_state

Просмотреть исходный код

reset_state()

Сбрасывает все переменные состояния метрики.

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

result

Просмотреть исходный код

result()

Вычисляет перекрытие-над-объединением через матрицу неточностей.

stateless_reset_state

Просмотреть исходный код

stateless_reset_state()

stateless_result

Просмотреть исходный код

stateless_result(
    metric_variables
)

stateless_update_state

Просмотреть исходный код

stateless_update_state(
    metric_variables, *args, **kwargs
)

update_state

Просмотреть исходный код

update_state(
    y_true, y_pred, sample_weight=None
)

Накапливает статистику матрицы неточностей.

__call__

Просмотреть исходный код

__call__(
    *args, **kwargs
)

Вызов self как функции.