带sigmoid层的二分类语义分割如何正确使用tf.keras.metrics.MeanIoU

1. 自定义二值化逻辑有效性验证 #

你实现的MyMeanIOU子类已经正确解决了sigmoid浮点输出的二值化问题：

• 你在update_state方法中先将预测值与0.5阈值比较，转换为int32类型的0/1离散值，再传入父类逻辑计算，完全规避了原指标直接把浮点值判定为类别ID、非1即0的错误。

2. 二分类场景的参数配置 #

num_classes必须设置为2，原因如下：
你的标注本身包含两个类别：0为背景、1为前景，完全符合MeanIoU指标至少2个类别的要求。计算时指标会分别统计背景、前景的IOU再取平均，无需额外调整类别映射逻辑。
使用时仅需保证输入的y_true是int32类型的0/1张量，维度与二值化后的y_pred完全匹配即可。
示例调用代码：

model.compile(
    optimizer=tf.keras.optimizers.Adam(),
    loss=tf.keras.losses.BinaryCrossentropy(),
    metrics=[MyMeanIOU(num_classes=2)]
)

3. 细胞分割场景的可选优化 #

如果你的数据集存在前景占比极低、背景IOU会拉低平均指标的情况，可以自定义只返回前景IOU的实现，更贴合细胞分割任务的关注重点：

class BinaryForegroundIoU(tf.keras.metrics.MeanIoU):
    def update_state(self, y_true, y_pred, sample_weight=None):
        # 阈值可根据实际场景调整，比如调整为0.3提升前景召回率
        threshold = 0.5
        y_pred_binary = tf.cast(y_pred > threshold, tf.int32)
        return super().update_state(y_true, y_pred_binary, sample_weight)
    
    def result(self):
        # 从2*2混淆矩阵中单独提取前景（类别1）的IOU
        sum_over_row = tf.cast(tf.reduce_sum(self.total_cm, axis=0), dtype=self._dtype)
        sum_over_col = tf.cast(tf.reduce_sum(self.total_cm, axis=1), dtype=self._dtype)
        true_positives = tf.cast(tf.linalg.tensor_diag_part(self.total_cm), dtype=self._dtype)
        denominator = sum_over_row + sum_over_col - true_positives
        return tf.math.divide_no_nan(true_positives[1], denominator[1])

内容的提问来源于stack exchange，提问作者Tiz