tf.keras.metrics.OneHotMeanIoU

Вычисляет метрику среднего пересечения над объединением (IoU) для меток, закодированных 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)

Пересечение над объединением — распространённая метрика оценки 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, по умолчанию используются веса 1. Используйте значение sample_weight, равное 0, чтобы маскировать значения.

Этот класс можно использовать для вычисления среднего IoU в задачах многоклассовой классификации, 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. Чтобы вычислить среднее IoU, сначала метки и прогнозы преобразуются обратно в целочисленный формат путём применения argmax по оси классов. Затем выполняются те же шаги вычисления, что и для базового класса MeanIoU.

Обратите внимание: если в метках и прогнозах только один канал, этот класс эквивалентен классу MeanIoU. В этом случае используйте вместо него MeanIoU.

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

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 API compile():

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

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 или шагами, когда метрика вычисляется во время обучения.

result

Посмотреть исходный код

result()

Вычисляет пересечение над объединением 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.