搜尋意圖： 如果你在找「IoU 是什麼」或「Intersection over Union 怎麼算」，先抓一個畫面：它在量預測框和真實框重疊得有多像。
TL;DR： IoU 的公式是交集面積除以聯集面積。數值越高，表示預測區域和真實標記越重疊；數值越低，表示模型框得越偏。
實用情境： 適合用在物件偵測、影像分割與評估門檻判斷，也常在 iPAS 題目裡拿來測「你是否真的懂指標在量什麼」。
下一步： 先把 IoU 的幾何直覺看懂，再去看 Precision / Recall 或 Dice，會更容易理解不同視覺指標各自想抓的品質。
你在看物件偵測結果時，怎麼知道框的位置和大小算不算準？
你可以把它想成兩個框重疊的程度，重疊越多，分數就越高。
交並比是物件偵測中，用來評估預測框與真實框定位準確度的指標，計算兩者重疊面積與聯集面積的比率
你可以把它想成一個把抽象概念拉回日常判斷的提示，先知道它解決什麼問題，再看技術細節。
容易混淆
像素準確度 像素準確度看每個像素對不對，IoU 看的是框和框重疊得好不好。
Dice coefficient IoU 和 Dice 都看重疊，但 Dice 對小目標會更寬鬆一些。
記住這句就好
框重疊多少，IoU 就看多少。
實際案例
車牌框選 偵測系統把車牌框得太鬆或太偏，IoU 就會下降，後續辨識也會受影響。
醫學影像分割 腫瘤區域分割如果和專家標註重疊度高，IoU 也會高，代表定位比較準。
算法與應用
IoU = 交集面積 / 聯集面積，範圍從 0 到 1。實務上常拿來當評估指標，也會和 NMS、門檻判斷一起出現。只要你在做框、掩膜或區域定位，IoU 幾乎一定會碰到。
公式與計算
IoU 衡量兩個框（或兩個區域）重疊得多好：
IoU = 交集面積 / 聯集面積分子是兩個框重疊的部分，分母是兩個框合起來蓋住的總面積。結果落在 0 到 1 之間，完全不重疊是 0，完全吻合是 1。
實際算一次。真實框是 (0, 0) 到 (10, 10)，預測框是 (5, 5) 到 (15, 15)：
| 項目 | 計算 | 結果 |
|---|---|---|
| 真實框面積 | 10 × 10 | 100 |
| 預測框面積 | 10 × 10 | 100 |
| 交集 | (5 到 10) × (5 到 10) = 5 × 5 | 25 |
| 聯集 | 100 + 100 − 25 | 175 |
| IoU | 25 / 175 | 約 0.143 |
聯集要記得扣掉交集，不然會重複計算一次。這是手算 IoU 最常見的錯誤。
門檻怎麼定，以及它怎麼影響評分
物件偵測的慣例是 IoU ≥ 0.5 算命中。這個數字是 PASCAL VOC 競賽定下來的慣例，不是理論推導出來的最佳值。
COCO 這類較新的評測標準改成算多個門檻的平均，從 0.5 到 0.95 每隔 0.05 取一次，寫作 mAP@[.5:.95]。這麼做是因為單一門檻會掩蓋定位精度的差異：一個框剛好壓線 0.5 和一個框幾乎完美貼合，在單門檻下分數一樣。
所以看到別人報 mAP 一定要問是哪種。同一個模型的 mAP@0.5 通常明顯高於 mAP@[.5:.95]，兩者直接比較沒有意義。
IoU 的另一個常見用途是非極大值抑制（NMS）：同一個物體常被偵測出好幾個重疊的框，NMS 保留信心分數最高的那個，把跟它 IoU 超過門檻的其他框刪掉。這裡的門檻調太低會誤刪相鄰的不同物體，調太高則會留下一堆重複框。
情境判斷
Q1（直覺題）： 如果你現在遇到一個 車牌框選 的場景，這個概念會是第一個想到的工具嗎？ → 看情況，但如果任務目標和這個概念的用途一致，就很可能是。核心還是先確認你要解決的是分類、分群、壓縮、檢索，還是最佳化。
Q2（判斷題）： 如果你把它和 Dice coefficient 一起用，結果反而變不穩，通常該怎麼想？ → 看情況。先檢查資料分布、特徵定義和模型假設是否相容，很多時候不是概念本身有問題，而是使用條件不對，像距離尺度沒對齊、標註規則不一致，或輸入格式不合。
常見問題
交並比 最容易跟 像素準確度 混淆嗎？
像素準確度看每個像素對不對，IoU 看的是框和框重疊得好不好。
什麼情況會用到 交並比？
你可以把它想成兩個框重疊的程度，重疊越多，分數就越高。 實務上只要你要處理和這個概念相符的任務，就會用到它。
初學者最常錯在哪裡？
IoU 和 Dice 都看重疊，但 Dice 對小目標會更寬鬆一些。