---
title: "分割品質（Segmentation Quality）"
slug: segmentation-quality
language: zh-TW
source: https://aiterms.tw/terms/segmentation-quality
updated_at: 2026-07-04
tags: [模型評估, 電腦視覺, 深度學習, 資料處理, source:ipas]
ipas_term: true
---

# 分割品質（Segmentation Quality）

衡量圖像分割任務中預測區域與真實區域重疊程度的指標。

## 完整說明

分割品質是評估圖像分割模型性能的關鍵指標，主要衡量模型預測的像素區域與真實標註區域之間的重疊與一致性。它通常透過計算交集比 (IoU) 或像素準確度等方式來量化，用於評估語義分割、實例分割或全景分割中單一實例的分割精確度。

## iPAS 考試出題分析

屬於未分類考範圍。

## 常見問題

### 分割品質與全景品質有何關聯？

分割品質是全景品質 (PQ) 的一個重要組成部分。在全景品質的計算中，有一個子指標稱為「分割品質 (SQ)」，它專門衡量那些被正確識別並匹配的預測實例與真實實例之間的平均交集比 (IoU)。因此，可以說全景品質是將分割品質（SQ）與識別品質（RQ）結合起來的綜合性指標，而分割品質（SQ）本身就是評估單一實例分割精確度的關鍵。若模型的分割品質不佳，即使識別能力再好，整體全景品質也會受到影響，因為 PQ 要求模型在兩方面都表現出色。

### 常見的分割品質評估指標有哪些？

評估分割品質的常見指標包括交集比 (Intersection over Union, IoU)，也稱為 Jaccard 指數，它衡量預測區域與真實區域的重疊程度。另一個常用的是 Dice 係數，它與 IoU 類似，但對小目標更敏感。此外，還有像素準確度 (Pixel Accuracy)、精確度 (Precision)、召回率 (Recall) 和 F1 分數等。這些指標各有側重，例如像素準確度計算所有正確分類的像素比例，而 IoU 則更關注預測區域與真實區域的空間一致性。選擇哪個指標取決於具體的應用場景和對錯誤類型的容忍度。

### 如何提升模型的分割品質？

提升模型的分割品質可以從多個方面著手。首先是數據層面，增加高質量、精確標註的訓練數據，特別是對於難以分割的邊界或小目標。其次是模型架構，可以嘗試更先進的骨幹網路、編碼器-解碼器結構（如 U-Net、DeepLab 系列）或引入注意力機制來增強特徵提取能力。優化損失函數也是關鍵，例如使用 Dice Loss 或 Focal Loss 來處理類別不平衡問題。此外，數據增強、遷移學習、集成學習以及對模型超參數的精細調整，都能有效改善模型的分割性能，使其預測結果更接近真實標註，從而提高整體分割品質。

---

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