在TF1.x版本中 miou指标可以使用tf.metrics.mean_iou 进行计算：
tf.metrics.mean_iou(labels, predictions, num_classes) 但是该方法有如下几点限制：
1. 无法在动态图中使用，例如Tensorflow2.x版本中（注：TF2.x中api移动到了tf.compat.v1.metrics.mean_iou中），由于TF2.x默认是开启动态图，因此会报错（见mean_iou方法的源码）
if context.executing_eagerly():
raise RuntimeError('tf.metrics.mean_iou is not supported when '
'eager execution is enabled.')2. 使用必须先?sess.run(tf.local_variables_initializer()) 然后 sess.run(update_op)，最后sess.run(mean_iou_v)，注意次序不能颠倒，不太方便和tf.keras相关训练代码结合使用
mean_iou_v, update_op = tf.metrics.mean_iou(y_true, y_pred, num_classes=4)
sess = tf.Session()
sess.run(tf.local_variables_initializer())
print(sess.run(update_op))
print(sess.run(mean_iou_v))3. 只能直接输出所有类别的平均IOU即mean_iou, 而不能输出各个类别对应的 iou
针对上述三个问题，我发现有如下两种解决方案：
目录
方案2：继承调用tf.keras.metrics.MeanIoU类
方案1：自己实现相关计算代码
def cal_mean_iou(num_classes=None, ignore_label=None):
"ignore_label: int，注意这里ignore_label必须为整数，表示需要忽略的（不需要计算miou）类别"
def MIOU(y_true, y_pred):
"""
y_true: Tensor，真实标签（one-hot类型），
y_pred: Tensor，模型输出结果（one-hot类型），二者shape都为[N,H,W,C]或[N,H*W,C],C为总类别数,
"""
y_true = tf.reshape(tf.argmax(y_true, axis=-1), [-1]) # 求argmax后，展平为一维
y_pred = tf.reshape(tf.argmax(y_pred, axis=-1), [-1])
if ignore_label is not None:
mask = tf.not_equal(y_true, ignore_label) # 获取需要忽略的标签的位置
y_true = tf.boolean_mask(y_true, mask) # 剔除y_true中需要忽略的标签
y_pred = tf.boolean_mask(y_pred, mask) # 剔除y_pred中需要忽略的标签
confusion_matrix = tf.confusion_matrix(y_true, y_pred, num_classes) # 计算混淆矩阵
intersect = tf.diag_part(confusion_matrix) # 获取对角线上的矩阵，形成一维向量
union = tf.reduce_sum(confusion_matrix, axis=0) + tf.reduce_sum(confusion_matrix, axis=1) - intersect
iou = tf.div_no_nan(tf.cast(intersect, tf.float32), tf.cast(union, tf.float32)) #一维向量，每个类别的iou
num_valid_entries = tf.reduce_sum(tf.cast(tf.not_equal(union, 0), dtype=tf.float32)) #统计union中不为0的总数
mean_iou = tf.div_no_nan(tf.reduce_sum(iou), num_valid_entries) # mean_iou只需要计算union中不为0的
return mean_iou
return MIOU上述代码是自己实现的各类别IOU以及平均IOU的计算方法，
如果只是想直接显示平均IOU，那么直接这样使用即可:
model.compile(optimizer=optimizer,
loss=loss,
metrics=[cal_mean_iou(num_classes, ignore_label)])如果想要在tf.keras训练过程中显示各个类别的IOU，一般是继承tf.keras.callbacks.Callback类，然后重写相关的方法，方法可参考：相关参考博客3
方案2：继承调用tf.keras.metrics.MeanIoU类
方案1中的计算方式和tf.keras.metrics.MeanIoU(num_classes)计算方式类似，需要注意tf.keras.metrics.MeanIoU类中update_state(self, y_true, y_pred, sample_weight=None)方法接受的y_true和y_pred一般是非one-hot编码形式的，即如果网络的输入shape为[N,H,W,C]或[N,H*W,C]形式，需要将y_true和y_pred先求argmax，然后调用该方法
因此遇到上述情况，可以先继承tf.keras.metrics.MeanIoU类，然后重写update_state方法，示例代码如下：
class MeanIoU(tf.keras.metrics.MeanIoU):
"""
y_true: Tensor，真实标签（one-hot类型），
y_pred: Tensor，模型输出结果（one-hot类型），二者shape都为[N,H,W,C],C为总类别数,
"""
def update_state(self, y_true, y_pred, sample_weight=None):
y_true = tf.argmax(y_true, axis=-1)
y_pred = tf.argmax(y_pred, axis=-1)
super().update_state(y_true, y_pred, sample_weight=sample_weight)
return self.result()
model.compile(optimizer=optimizer,
loss=loss,
metrics=[tf.keras.metrics.MeanIoU(num_classes)])相关参考博客：
3.Keras上实现recall和precision，f1-score（多分类问题）_热爱学习的Valeria的博客-CSDN博客_keras precision
4.Tensorflow中tf.keras.metrics.MeanIoU在shape不一致错误_Bluish White的博客-CSDN博客
?
