dice_coefficient
最后更新
luxonis_train.attached_modules.metrics.dice_coefficient分割掩码上的 Dice 系数。类
DiceCoefficient
输入::predictions(Tensor): [B, nclasses, H, W] logitstarget(Tensor): [B, nclasses, H, W] one-hot 掩码
输出::Tensor: 标量,或当average为"none"或None时为 [nclasses]。不包含背景类时,形状为 [nclasses − 1]。只有一个元素的结果是标量。
公式:: 每个预测像素获得具有最高 logit 的类别。对于图像 i 和类别 c,Pi, c 是预测像素集,Ti, c 是目标像素集。每个类别的分数是: Di, c = (2|Pi, c∩Ti, c|)/(|Pi, c| + |Ti, c|)average结合了每个图像的类别。"micro"在除法之前对所有类别的分子和分母求和。结果是所有图像的平均值。分母为零的分数是NaN,平均值会跳过它。
参考
- 来源: 封装了 torchmetrics (Apache-2.0)。
- 许可证: Apache-2.0 (本项目)
注意
当
average 为 "micro" 时,torchmetrics 的 DiceScore 构造函数会警告其默认 average 将来的更改。此类别始终传递 average,因此该警告不适用。示例
附加到
model.nodes 中的 DDRNetSegmentationHead:Yaml
1- name: DDRNetSegmentationHead
2 inputs: [DDRNet]
3 metrics:
4 - name: DiceCoefficient
5 params:
6 num_classes: 2方法
init
Python
1def __init__(num_classes: int, include_background: bool = True, average: Literal['micro', 'macro', 'weighted', 'none'] | None = 'micro', input_format: Literal['one-hot', 'index'] = 'index', **kwargs):DiceScore。参数num_classes(int): 类别数量,输入中类别维度的大小。include_background(bool): 类别0是否计入。当为False时,指标在评分前会丢弃类别0。average(Literal['micro', 'macro', 'weighted', 'none'] | None): 指标如何组合图像的类别:"micro": 来自所有类别总计数的单个分数。"macro": 每个类别分数的平均值。"weighted": 每个类别分数,按每个类别的目标像素份额加权。"none"或None: 每个类别的单个分数。
input_format(Literal['one-hot', 'index']): update 如何转换输入,请参阅 convert_format。两种格式仅在目标像素没有类别或有多个类别时给出不同的结果。**kwargs: 转发给 BaseMetric 的关键字参数,例如node。
compute
Python
1def compute(self) -> Tensor:示例
一个包含四个像素的图像。目标在前两个像素中包含类别
0,在后两个像素中包含类别 1。预测在第二个像素中是错误的。"micro" 平均值对两个类别的分子和分母求和:(2 + 4) ⁄ (3 + 5) = 0.75。Pycon
1>>> import torch
2>>> target = torch.tensor([[[[1, 1, 0, 0]], [[0, 0, 1, 1]]]])
3>>> logits = torch.tensor(
4... [[[[2.0, 0.0, 0.0, 0.0]], [[0.0, 1.0, 1.0, 1.0]]]]
5... )
6>>> metric = DiceCoefficient(num_classes=2)
7>>> metric.update(logits, target)
8>>> metric.compute().item()
90.75Tensor: 图像的平均分数,作为标量。对于average设置为"none"或None,每个类别的平均分数,形状为[C],或不包含背景类别时为[C - 1]。只有一个元素的结果是标量。
convert_format
Python
1def convert_format(tensor: Tensor, is_target: bool = False) -> Tensor:input_format 的格式。"index": 返回维度1上的argmax。该方法也对目标执行此操作,因此没有类别的目标像素变为类别0。"one-hot",is_target设置为False: 返回输入形状和数据类型的 one-hot 张量。它在每个像素的argmax类别处保持1。"one-hot",is_target设置为True: 返回未更改的tensor。
示例
形状为 没有类别的目标像素变为类别
[1, 2, 1, 2] 的 Logits 变为类别索引:Pycon
1>>> import torch
2>>> logits = torch.tensor([[[[2.0, 0.0]], [[1.0, 3.0]]]])
3>>> metric = DiceCoefficient(num_classes=2)
4>>> metric.convert_format(logits).tolist()
5[[[0, 1]]]0:Pycon
1>>> empty = torch.zeros(1, 2, 1, 2)
2>>> metric.convert_format(empty, is_target=True).tolist()
3[[[0, 0]]]tensor(Tensor): 形状为[B, C, H, W]的 Logits 或掩码。is_target(bool):tensor是否为目标。
Tensor: 对于"index",形状为[B, H, W]的类别索引,否则为形状为[B, C, H, W]的张量。
reset
Python
1def reset(self):DiceScore 的状态。该方法不会为此指标调用 torchmetrics 的 reset。上次 compute 的缓存结果仍然存在,并且 compute 会返回它,直到下一次 update。update
Python
1def update(predictions: Tensor, target: Tensor):DiceScore。对于 "index",convert_format 将两个张量转换为类别索引。对于 "one-hot",它将预测转换为 one-hot 掩码,并且该方法将两个张量转换为 bool。封装的指标存储每个图像和类别的分子、分母和目标像素数量。参数predictions(Tensor): 形状为[B, C, H, W]的 Logits,节点的输出。target(Tensor): 形状为[B, C, H, W]的 One-hot 掩码,任务的segmentation标签。