完整定義
交並比 (IoU) 是一種用於評估物件偵測模型性能的指標。它計算預測邊界框和真實邊界框的交集面積與它們的聯集面積之比。IoU 值越高,表示預測結果與真實情況越吻合。通常,IoU 值超過一定閾值(例如 0.5)才被認為是成功的物件偵測。
快速摘要
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。
重點: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。
白話說明
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
記住這句
框重疊多少,IoU 就看多少。
比喻:交並比就像兩塊拼圖,你疊在一起看有多吻合 -- 它計算預測框跟真實框重疊的面積,除以它們的聯集面積,來判斷預測準不準。
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。
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。
演算法與應用
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):
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。
- 項目
- 真實框面積
- 計算
- 10 × 10
- 結果
- 100
- 項目
- 預測框面積
- 計算
- 10 × 10
- 結果
- 100
- 項目
- 交集
- 計算
- (5 到 10) × (5 到 10) = 5 × 5
- 結果
- 25
- 項目
- 聯集
- 計算
- 100 + 100 − 25
- 結果
- 175
- 項目
- IoU
- 計算
- 25 / 175
- 結果
- 約 0.143
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。
常見比較
常見問題
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。
你可以把它想成兩個框重疊的程度,重疊越多,分數就越高。
IoU 和 Dice 都看重疊,但 Dice 對小目標會更寬鬆一些。
兩個框都用 (x1, y1, x2, y2) 表示時,交集左上角取兩框 x1、y1 的較大值,右下角取 x2、y2 的較小值,寬或高小於 0 就當 0。交集面積除以兩框面積相加再減去交集,就是 IoU。用 PyTorch 的話可以直接呼叫 torchvision.ops.box_iou,一次算出兩組框兩兩之間的 IoU。
拿 IoU 當訓練損失時,只要兩框不重疊,不管離多遠 IoU 都是 0,梯度也是 0,模型不知道該往哪個方向移。GIoU 因此在 IoU 之外再扣掉一項,也就是包住兩框的最小外框裡沒被兩框覆蓋的比例,讓不重疊的框也能依距離得到不同分數。
IoU 是 Intersection over Union 的縮寫,中文常翻成交並比。它用來衡量預測區域和真實區域重疊程度。
先算交集面積,再算聯集面積,最後用交集除以聯集。完全重疊時 IoU 會接近 1,完全沒重疊則接近 0。
門檻越高,表示系統對預測位置要求越嚴。比如 0.5 與 0.75 的標準不同,後者通常更難達到。
出現在這些考古題
官方公告試題的逐題解析裡,這 2 題把交並比列為延伸術語。
相關術語
- 邊界框偵測Bounding Box
- 電腦視覺Computer Vision
- 物件偵測Object Detection
- 骰子損失函數Dice Loss
- 真實邊界框Ground Truth Box
- 非極大值抑制Non-Maximum Suppression
- 平均精確率Mean Average Precision
本頁內容有提到,或屬於同一組主題的術語
延伸學習
來源
參考來源:en.wikipedia.org
其他格式:Markdown 版本