tf.keras.metrics.OneHotMeanIoU

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

Наследуется от: MeanIoU, IoU, Metric, Layer, Module

tf.keras.metrics.OneHotMeanIoU(
    num_classes: int, name=None, dtype=None
)

Общее определение и вычисление:

Метрика пересечения-над-объединением — 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 предсказания накапливаются в матрице неточностей, взвешенной по sample_weight, и затем метрика вычисляется по ней.

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

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

Обратите внимание, если в метках и предсказаниях всего один канал, этот класс идентичен классу MeanIoU. В этом случае используйте MeanIoU.

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

Использование автономно:

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.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().numpy()
0.048

Использование с API compile():

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

Методы

merge_state

Просмотреть исходный код

merge_state(
    metrics
)

Объединяет состояние из одной или нескольких метрик.

Этот метод может использоваться распределёнными системами для объединения состояния, вычисленного различными экземплярами метрик. Обычно состояние хранится в виде весов метрики. Например, метрика tf.keras.metrics.Mean содержит список из двух значений весов: общей суммы и счётчика. Если у двух экземпляров tf.keras.metrics.Accuracy независимо агрегируется частичное состояние для вычисления общей точности, эти два состояния 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 неточностей.

update_state

Просмотреть исходный код

update_state(
    y_true, y_pred, sample_weight=None
)

Накапливает статистику матрицы неточностей.