交并比 IoU 是什么？衡量预测框和真实框重叠了多少

交并比（Intersection over Union，IoU）是一种评估标注、分割和目标检测算法准确性的性能指标。它量化的是模型预测出的边界框或分割区域，与真实的标注框或标注区域之间的重叠程度。在一些文献中，它也被称为杰卡德指数（Jaccard Index）。

怎么计算

交并比的计算非常直观：用预测区域和真实区域的交集面积，除以它们的并集面积。交集，是两个区域重叠的那部分；并集，是两个区域合在一起覆盖的全部范围。

举个例子：模型在一张图中预测了一个框住汽车的矩形，人工标注的真实框也框住了这辆车，但两个框的位置不完全一样。如果两个框完全重合，交集等于并集，交并比就是 1；如果两个框完全不重叠，交集为零，交并比就是 0；部分重叠时，交并比介于 0 和 1 之间。交并比越接近 1，说明预测的位置越准确。

为什么用交并比

交并比的一个优点是它对物体的大小不敏感：它衡量的是相对的重叠程度，而不是绝对的像素差距。如果只看预测框和真实框的坐标相差多少像素，那么对于一个很大的物体，偏差 10 个像素无关紧要，对于一个很小的物体，偏差 10 个像素可能已经完全偏离了。交并比用比例来衡量，无论物体大小，都能公平地评价定位的准确程度。

主要用途

判断检测是否正确：在评估目标检测模型时，需要一个标准来判断某个预测框算不算“检测到了”这个物体。通常的做法是设定一个交并比阈值，比如 0.5：如果预测框与真实框的交并比超过 0.5，并且类别正确，就算作一次正确的检测。这是计算 mAP 等评价指标的基础，COCO 等基准还会在多个更严格的阈值下评估。

去除重复的检测框：目标检测模型常常会对同一个物体预测出多个高度重叠的框。非极大值抑制（NMS）算法会保留置信度最高的那个框，然后把与它交并比超过某个阈值的其他框都去掉，避免重复。

图像分割的评价：在语义分割和实例分割中，交并比用来衡量预测的分割区域与真实区域的吻合程度，对所有类别的交并比求平均，就得到了常用的 mIoU 指标。

训练时的损失函数：交并比还被直接用来设计目标检测的损失函数，比如 GIoU、DIoU、CIoU 等改进版本，它们解决了两个框完全不重叠时交并比恒为零、无法提供优化方向的问题，让模型学会更准确地回归边界框的位置。