06 交并比（Intersection over Union, IoU）

06 交并比（Intersection over Union, IoU）

一、IoU 的定义与作用

在目标检测（Object Detection） 任务中，不仅要识别出图像中是否存在某个物体，还需要精确定位其位置，通常用边界框（Bounding Box） 表示。为了衡量预测边界框与真实边界框（Ground Truth）之间的定位精度，引入了 交并比（IoU） 这一指标。

IoU 衡量的是两个边界框重叠程度的相对大小，是评估目标检测算法性能的关键指标之一。

---

二、IoU 的数学定义

设：

• $B_{\text{pred}}$：模型预测的边界框
• $B_{\text{gt}}$：真实（Ground Truth）边界框

则 IoU 定义为：

\[\text{IoU} = \frac{\text{Area of Intersection}(B_{\text{pred}} \cap B_{\text{gt}})}{\text{Area of Union}(B_{\text{pred}} \cup B_{\text{gt}})}\]

其中：

• 交集（Intersection） ：两个边界框重叠区域的面积
• 并集（Union） ：两个边界框覆盖的总面积（即各自面积之和减去交集）

✅ IoU 的取值范围为：

\[0 \leq \text{IoU} \leq 1\]

• 当两个框完全不重叠时，IoU = 0；
• 当两个框完全重合时，IoU = 1。

---

三、IoU 的阈值判断标准

在目标检测中，通常设定一个 IoU 阈值 来判断一次检测是否“成功”：

• 通用标准：若

  \[\text{IoU} \geq 0.5\]

  则认为该预测框为正确定位（True Positive）。

• 更严格场景（如高精度要求）：可将阈值提高至 0.6、0.7 甚至更高。
• 极少情况会使用低于 0.5 的阈值。

⚠️ 注意：0.5 是经验性约定，并无严格的理论依据，可根据具体任务调整。

---

四、IoU 的应用场景

1. 评估检测性能：作为 mAP（mean Average Precision）等指标的基础组成部分。
2. 非极大值抑制（Non-Maximum Suppression, NMS） ：在后续视频中，IoU 用于去除冗余检测框——保留置信度最高的框，剔除与其 IoU 超过阈值的其他重叠框。
3. 损失函数设计：某些现代检测器（如 YOLOv3+、GIoU、DIoU、CIoU）将 IoU 或其变体直接嵌入损失函数，以优化定位精度。

---

五、常见误区提醒

• IoU ≠ “I owe you”（我欠你） ：虽然缩写相同，但此处的 IoU = Intersection over Union，纯属术语巧合，注意区分。

---

六、小结（Key Takeaways）

项目	内容
目的	评估预测框与真实框的定位准确性
公式	$\text{IoU} = \frac{\text{Area of Intersection}(B_{\text{pred}} \cap B_{\text{gt}})}{\text{Area of Union}(B_{\text{pred}} \cup B_{\text{gt}})}$
取值范围	$[0, 1]$
常用阈值	0.5（可调）
核心用途	检测评价、NMS、损失函数设计

---

掌握 IoU 是理解现代目标检测系统（如 YOLO、SSD、Faster R-CNN）性能评估和后处理机制的基础。建议结合后续“非极大值抑制（NMS）”内容一起学习，效果更佳。