---
title: "全景品質（Panoptic Quality）"
slug: panoptic-quality
language: zh-TW
source: https://aiterms.tw/terms/panoptic-quality
updated_at: 2026-07-04
tags: [模型評估, 電腦視覺, 深度學習, AI基礎, source:ipas]
ipas_term: true
---

# 全景品質（Panoptic Quality）

全景品質是評估全景分割同時辨識物件與分割區域是否正確的綜合指標。

## 完整說明

全景品質是衡量全景分割模型性能的標準化指標，它結合了語義分割的準確性與實例分割的質量。該指標透過計算分割結果的識別與分割品質來評估模型，常用於比較不同全景分割演算法的優劣，並推動相關研究進展。

## iPAS 考試出題分析

屬於未分類考範圍。

## 常見問題

### 全景品質 (PQ) 與平均交集比 (mIoU) 有何不同？

mIoU 主要用於評估語義分割的性能，它衡量的是預測區域與真實區域的重疊程度，不區分同一類別的不同實例。而全景品質 (PQ) 則是一種更全面的指標，專為全景分割設計。它不僅考慮了語義的準確性，還考量了實例的識別和分割質量。PQ 結合了分割品質 (SQ) 和識別品質 (RQ)，能夠同時評估模型是否正確識別了每個實例並準確地分割了它們，因此在需要區分個體物體的場景中更具代表性，提供更全面的場景理解能力評估。

### 全景品質 (PQ) 的兩個主要組成部分是什麼？

全景品質 (PQ) 由兩個主要組成部分構成：分割品質 (Segmentation Quality, SQ) 和識別品質 (Recognition Quality, RQ)。SQ 衡量的是已正確匹配的預測實例與真實實例之間的平均交集比 (IoU)，反映了分割的精確度。RQ 則是一個 F1 分數，用於評估模型在識別真實實例方面的能力，即有多少真實實例被正確地識別出來，以及有多少預測實例是正確的。PQ 是 SQ 和 RQ 的乘積，這意味著模型必須在分割準確性和實例識別兩方面都表現良好，才能獲得高 PQ 值。

### 如何解讀較低的全景品質 (PQ) 分數？

較低的 PQ 分數可能表明模型在全景分割任務中存在多個問題。如果 SQ 較低，這可能意味著模型雖然能夠識別出實例，但其分割邊界不夠精確，導致預測區域與真實區域的重疊度不足。如果 RQ 較低，則可能表示模型在識別實例方面存在問題，例如出現大量的假陽性（錯誤地識別出不存在的實例）或假陰性（未能識別出真實存在的實例）。綜合分析 SQ 和 RQ 可以幫助研究人員和開發者定位模型的弱點，例如是分割邊緣不夠銳利，還是對密集或重疊物體的識別能力不足，從而指導模型改進的方向，例如調整損失函數或改進特徵提取網路。

---

來源：https://aiterms.tw/terms/panoptic-quality
快查頁：https://aiterms.tw/terms/panoptic-quality
最後更新：2026/07/04
深度解說：https://aiterms.tw/learning/what-is-panoptic-quality