tf.metrics.mean_iou函数

tf.metrics.mean_iou(
    labels,
    predictions,
    num_classes,
    weights=None,
    metrics_collections=None,
    updates_collections=None,
    name=None
)

定义在：tensorflow/python/ops/metrics_impl.py.

计算每步mean Intersection-Over-Union(mIOU).

Mean Intection-Over-Union是语义图像分割的常用评估指标,它首先计算每个语义类的IOU,然后计算平均类.

IOU定义如下：IOU = true_positive /(true_positive + false_positive + false_negative).

predictions在混淆矩阵中累积,通过weights加权,然后从中计算mIOU.

为了估计数据流上的度量,该函数创建一个update_op操作来更新这些变量并返回mean_iou.

如果weights是None,则权重默认为1,使用权重0来屏蔽值.

参数：

• labels：具有形状[batch size]和类型为int32或int64的正确标记(ground truth)的labels的Tensor.如果秩> 1,则张量将flatten.
• predictions：语义labels的预测结果的Tensor,其形状为[batch size]和类型为int32或int64.如果秩> 1,则张量将flatten.
• num_classes：预测任务可能具有的labels数量.必须提供此值,因为将分配维度= [num_classes,num_classes]的混淆矩阵.
• weights：可选的Tensor,其秩为0或与labels具有相同的秩,并且必须可广播到labels(即,所有维度必须为1或者与相应的labels维度相同).
• metrics_collections：mean_iou应添加到的集合的可选列表.
• updates_collections：update_op应添加到的集合的可选列表.
• name：可选的variable_scope名称.

返回：

• mean_iou：表示Mean Intection-Over-Union的Tensor.
• update_op：增加混淆矩阵的操作.

可能引发的异常：

• ValueError：如果predictions和labels有不匹配的形状,或者weights不是None,并且它的形状与predictions不匹配,或者如果metrics_collections或updates_collections中任意一个不是一个列表或元组.
• RuntimeError：如果启用了急切执行.