在我看来，在存在不平衡类的情况下，平均 IOU 是一个糟糕的指标。例如，假设我有 10 个类，但一张图像的标签中只有 2 个类。考虑倒置 2 个类的预测，这些类的 IOU 为 0，但其他 8 个类的 IOU 为 0/0。如果我们认为它是 1（因为没有对这些类的预测是正确的预测），使用统一的权重，得到的平均 IOU 为 0.8，这使得预测听起来非常好。
似乎目标图像中每个类对应的像素比例加权的平均 IOU 解决了这个问题。是否存在使用后来的过度统一平均 IOU 有问题的情况？为什么统一均值 IOU 在这两个指标中更受欢迎？
您以某种方式误解了 mean_IOU 的计算方式。
首先，mean_IOU 不是按图像计算，然后对所有图像进行平均，而是对图像按类计算，然后对类进行平均。这意味着对于单个图像，如果缺少某些类别（在基本事实和您的预测标签中），您无需担心 0/0 情况。您只需要更新混淆矩阵，直到完成所有图像，然后计算 mean_IOU。
在极端情况下，所有图像中都缺少某些类。在这种情况下，您应该调整您的 num_class 参数。即使您不这样做，丢失的类也会被视为 IOU=0 而不是 1（可悲...）
例如，假设您的图像有 5 个像素并且您有 3 个类。地面实况向量始终为 [0,0,1,1,1] 并且您始终预测为 [1,1,0,0,0]（请注意，您预测的第 0 类和第 1 类倒置，而第 2 类缺失）。在这种情况下，mean_IOU 是 0，而不是 1/3。
因此，您应该了解 IOU 已经通过所有图像中的小精灵数量（预测像素和地面实况像素的并集）的总和进行了归一化。所以我认为没有必要再重新加权 IOU。