求基于IoU匹配的时间序列分段任务Python评估指标实现

核心逻辑 #

你需要的是基于区间IoU匹配的分段级评估方案：先通过设定的IoU阈值（70%）找到真实分段与预测分段的有效匹配对，再基于匹配结果计算精确率、召回率、F1等核心指标。以下是针对你已算出IoU值的场景的具体实现：

基于已计算IoU的实现代码 #

1. 分段匹配（贪心策略） #

该函数会从IoU矩阵中筛选出满足阈值的最优匹配对，避免一对多/多对一的重复匹配：

import numpy as np

def match_segments(iou_matrix, threshold=0.7):
    matches = {}
    iou_copy = iou_matrix.copy()
    num_true, num_pred = iou_copy.shape

    # 每次选取当前IoU最大的有效对进行匹配
    while np.max(iou_copy) >= threshold:
        true_idx, pred_idx = np.unravel_index(np.argmax(iou_copy), iou_copy.shape)
        matches[true_idx] = pred_idx
        # 标记已匹配的分段，不再参与后续匹配
        iou_copy[true_idx, :] = -1
        iou_copy[:, pred_idx] = -1

    return matches

2. 计算分段级评估指标 #

基于匹配结果，计算召回率（真实分段的匹配覆盖率）、精确率（预测分段的有效率）和F1分数：

def calculate_segment_metrics(matches, total_true_segments, total_pred_segments):
    matched_count = len(matches)
    recall = matched_count / total_true_segments if total_true_segments > 0 else 0.0
    precision = matched_count / total_pred_segments if total_pred_segments > 0 else 0.0
    f1 = 2 * (precision * recall) / (precision + recall) if (precision + recall) > 0 else 0.0

    return {
        "recall": round(recall, 4),
        "precision": round(precision, 4),
        "f1": round(f1, 4),
        "matched_pairs": matched_count
    }

3. 完整使用示例 #

# 示例：真实分段与预测分段的IoU矩阵（3个真实分段 × 4个预测分段）
iou_matrix = np.array([
    [0.75, 0.0, 0.0, 0.0],  # 真实分段0与预测0的IoU=75%（符合阈值）
    [0.0, 0.8, 0.0, 0.0],   # 真实分段1与预测1的IoU=80%（符合阈值）
    [0.0, 0.0, 0.72, 0.0]   # 真实分段2与预测2的IoU=72%（符合阈值）
])

# 执行匹配
matches = match_segments(iou_matrix, threshold=0.7)
# 计算指标
metrics = calculate_segment_metrics(matches, total_true_segments=3, total_pred_segments=4)

print("匹配结果（真实分段索引→预测分段索引）:", matches)
print("评估指标:", metrics)

输出示例：

匹配结果（真实分段索引→预测分段索引）: {0: 0, 1: 1, 2: 2}
评估指标: {'recall': 1.0, 'precision': 0.75, 'f1': 0.8571, 'matched_pairs': 3}

进阶优化选项 #

• 标签一致性校验：如果需要仅匹配同标签的分段，可以在计算IoU前先过滤掉不同标签的分段对，将它们的IoU值设为-1。
• 全局最优匹配：若要替代贪心策略，可用匈牙利算法实现全局最优匹配，避免局部最优问题：

from scipy.optimize import linear_sum_assignment

def match_segments_hungarian(iou_matrix, threshold=0.7):
    cost_matrix = 1 - iou_matrix
    # 将IoU低于阈值的对设为极大值，排除出匹配范围
    cost_matrix[iou_matrix < threshold] = np.inf
    true_indices, pred_indices = linear_sum_assignment(cost_matrix)
    
    matches = {}
    for t_idx, p_idx in zip(true_indices, pred_indices):
        if cost_matrix[t_idx][p_idx] != np.inf:
            matches[t_idx] = p_idx
    return matches

内容的提问来源于stack exchange，提问作者riridev