tf.keras.metrics.OneHotIoU

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

Наследуется от: IoU, Metric, Layer, Module

tf.keras.metrics.OneHotIoU(
    num_classes: int,
    target_class_ids: Union[List[int], Tuple[int, ...]],
    name=None,
    dtype=None
)

Общее определение и вычисление:

Пересечение-над-объединением — это распространённая метрика оценки для семантической сегментации изображений.

Для отдельного класса метрика IoU определяется следующим образом:

iou = true_positives / (true_positives + false_positives + false_negatives)

Для вычисления IoU прогнозы накапливаются в матрице несоответствий, взвешенной по sample_weight, и метрика затем вычисляется по ней.

Если sample_weight равно None, веса по умолчанию равны 1. Используйте sample_weight 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 одну размерность на класс). Обратите внимание, что прогнозы также должны иметь такую же форму. Для вычисления IoU сначала метки и прогнозы преобразуются обратно в целочисленный формат, взяв argmax по оси класса. Затем применяются те же шаги вычисления, что и для базового класса IoU.

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

Также убедитесь, что num_classes равно количеству классов в данных, чтобы избежать ошибки «метки вне границ» при вычислении матрицы несоответствий.

Использование в автономном режиме:

y_true = tf.constant([[0, 0, 1], [1, 0, 0], [0, 1, 0], [1, 0, 0]])
y_pred = tf.constant([[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 = tf.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().numpy()
0.071

Использование с API compile():

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

Методы

merge_state

Просмотреть исходный код

merge_state(
    metrics
)

Объединяет состояние из одной или нескольких метрик.

Этот метод можно использовать в распределённых системах для объединения состояния, вычисленного различными экземплярами метрик. Обычно состояние хранится в виде весов метрики. Например, метрика tf.keras.metrics.Mean содержит список двух значений весов: общее и количество. Если есть два экземпляра tf.keras.metrics.Accuracy, которые независимо агрегируют частичное состояние для вычисления общей точности, состояние этих двух метрик можно объединить следующим образом:

m1 = tf.keras.metrics.Accuracy()
_ = m1.update_state([[1], [2]], [[0], [2]])

m2 = tf.keras.metrics.Accuracy()
_ = m2.update_state([[3], [4]], [[3], [4]])

m2.merge_state([m1])
m2.result().numpy()
0.75

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 пересечение-над-объединением через матрицу несоответствий.

update_state

Просмотреть исходный код

update_state(
    y_true, y_pred, sample_weight=None
)

Накапливает статистику матрицы несоответствий.