Python 如何在keras语义切分中获取单个类的iou？

我正在使用《图像分割指南》执行语义分割。我试图修改指南以适应我的数据集，方法是将8位img掩码值标记为1和2，就像牛津Pets数据集中那样。（在牛津PETS（keras.utils.Sequence）类中将减去0和1）：）

问题是如何获取单个类的IoU度量（例如1）

我尝试了Stack Overflow建议的不同指标，但大多数指标都建议使用MeanIoU，我尝试了，但结果得到了nan损失。下面是使用autocontrast后的掩码示例。

PIL.ImageOps.autocontrast（加载img（val\u目标路径[i]））

该模型似乎训练得很好，但精确度随着时间的推移而下降

---

另外，有人可以帮助解释如何从

y\u true

和

y\u pred

计算度量分数吗？我不太清楚在IoU度量计算中何时使用标签值。

我当时也有类似的问题。我使用了

jaccard\u distance\u loss

和

dice\u metric

。它们是以借据为基础的。我的任务是二进制分割，所以我想您可能需要修改代码，以防您想将其用于多标签分类问题

from keras import backend as K

def jaccard_distance_loss(y_true, y_pred, smooth=100):
    """
    Jaccard = (|X & Y|)/ (|X|+ |Y| - |X & Y|)
            = sum(|A*B|)/(sum(|A|)+sum(|B|)-sum(|A*B|))
    
    The jaccard distance loss is usefull for unbalanced datasets. This has been
    shifted so it converges on 0 and is smoothed to avoid exploding or disapearing
    gradient.
    
    Ref: https://en.wikipedia.org/wiki/Jaccard_index
    
    @url: https://gist.github.com/wassname/f1452b748efcbeb4cb9b1d059dce6f96
    @author: wassname
    """
    intersection = K.sum(K.sum(K.abs(y_true * y_pred), axis=-1))
    sum_ = K.sum(K.sum(K.abs(y_true) + K.abs(y_pred), axis=-1))
    jac = (intersection + smooth) / (sum_ - intersection + smooth)
    return (1 - jac) * smooth

def dice_metric(y_pred, y_true):
    intersection = K.sum(K.sum(K.abs(y_true * y_pred), axis=-1))
    union = K.sum(K.sum(K.abs(y_true) + K.abs(y_pred), axis=-1))
    # if y_pred.sum() == 0 and y_pred.sum() == 0:
    #     return 1.0

    return 2*intersection / union

# Example
size = 10

y_true = np.zeros(shape=(size,size))
y_true[3:6,3:6] = 1

y_pred = np.zeros(shape=(size,size))
y_pred[3:5,3:5] = 1

loss = jaccard_distance_loss(y_true,y_pred)

metric = dice_metric(y_pred,y_true)

print(f"loss: {loss}")
print(f"dice_metric: {metric}")

---

对于你的蒙版，你使用0和1进行二进制分割了吗？是的，1是我的前景，0是背景。顺便问一下，它有用吗？如果是的话，接受这个答案来帮助别人会很好。是的，它做到了！我认为我的数据集有问题，因为对数据集进行洗牌会导致jaccard_distance_loss返回的分数大不相同。此外，即使以1e-5的低学习率对骰子进行训练，骰子指标也没有改善。我明白了。确保在将数据集馈送到模型之前对其进行规范化。同样仅供参考，我的损失约为5，度量值约为0.4，但测试数据集上的预测相当不错。一般来说，在语义图像分割中很难获得高精度，因为模型预测的是图像（例如256×256像素），而不是实例（例如猫、狗）。祝你工作顺利！

loss: 4.587155963302747
dice_metric: 0.6153846153846154