AITerms 登入
電腦視覺模型評估

IoU(Intersection over Union)是什麼?

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

同主題的術語電腦視覺模型評估

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

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

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