交并比 (IoU)

交并比 (IoU) 是 计算机视觉 (CV) 中一项基础的评估指标，尤其是在目标检测任务中。它衡量的是两个边界框之间的重叠程度：模型生成的预测边界框和人工标注的正确轮廓（即真实边界框）。最终的评分是一个介于 0 和 1 之间的值，用于量化模型在图像中定位目标的准确程度。分数为 1 表示完全匹配，而分数为 0 表示完全没有重叠。此指标对于评估 Ultralytics YOLO11 等模型的定位精度至关重要。

IoU 的工作原理是什么？

从本质上讲，IoU 计算的是预测边界框与真实边界框的交集（重叠区域）与并集（两个框覆盖的总面积）之比。想象一下两个重叠的正方形。“交集”是它们重叠的共享区域。“并集”是两个正方形覆盖的总面积，重叠部分仅计算一次。通过将交集除以并集，IoU 提供了一种标准化度量，用于衡量预测框与实际对象的对齐程度。这个简单但强大的概念是现代深度学习 (DL)对象检测的基石。

使用 IoU 的一个关键部分是设置“IoU 阈值”。此阈值是一个预定义的值（例如 0.5），用于确定预测是否正确。如果预测框的 IoU 分数高于此阈值，则将其归类为“真正例”。如果分数低于此阈值，则将其归类为“假正例”。此阈值直接影响其他性能指标，如精确率和召回率，并且是计算平均精度均值 (mAP)的关键组成部分，mAP 是评估 COCO 等基准数据集上目标检测模型的标准指标。

实际应用

IoU 对于验证无数 AI 系统的性能至关重要。以下是一些示例：

1. 自动驾驶：在用于自动驾驶汽车的人工智能中，IoU 用于评估汽车的视觉系统检测行人、其他车辆和交通标志的效果。高 IoU 分数可确保预测的边界框精确，这对于安全导航和避免碰撞至关重要。像 Waymo 这样的公司非常依赖准确的目标检测来确保其自动系统的安全。
2. 医学影像: 在医学图像分析中，IoU 有助于评估识别扫描图像（如 MRI 或 CT）中异常（如肿瘤或病变）的模型的准确性。精确定位对于治疗计划至关重要，IoU 提供了一个可靠的衡量标准，用于衡量模型的预测在临床上是否有用。这在使用 YOLO 模型进行肿瘤检测等应用中至关重要。

利用 IoU 提升模型性能

IoU 不仅仅是一个评估指标；它也是训练过程不可或缺的一部分。许多现代目标检测架构，包括 Ultralytics YOLOv8 和 YOLO11 的变体，直接在其损失函数中使用 IoU 或其变体。这些基于 IoU 的高级损失函数，如 Generalized IoU (GIoU)、Distance-IoU (DIoU) 或 Complete-IoU (CIoU)，有助于模型学习预测不仅重叠良好，而且还考虑中心之间距离和纵横比一致性等因素的边界框。与传统的回归损失相比，这可以加快收敛速度并提高定位性能。您可以在我们的文档中找到不同 YOLO 模型之间的详细比较。

在模型训练和超参数调优期间监控 IoU 有助于开发人员改进模型，从而获得更好的定位。 诸如Ultralytics HUB之类的工具允许跟踪 IoU 和其他指标，从而简化模型改进周期。 尽管标准 IoU 用途广泛，但有时可能不敏感，尤其是不重叠的框。 这种限制促使了上述IoU 变体的开发。 尽管如此，IoU 仍然是计算机视觉评估的基石。

IoU 与其他指标

虽然 IoU 至关重要，但重要的是要了解它与其他指标的关系：

• IoU 与准确率：准确率 是分类任务中的一个常见指标，用于衡量正确预测的百分比。但是，它不适用于目标检测，因为它没有考虑定位误差。预测可以正确分类对象，但边界框的位置不佳。IoU 通过测量定位质量来专门解决此问题。
• IoU 与平均精度均值 (mAP): 这两个术语相关但有所不同。IoU 衡量单个预测边界框的质量。相比之下，mAP 是一个综合指标，用于评估模型在数据集中所有对象和类别上的性能。它通过对多个 IoU 阈值和所有类别的精度值进行平均来计算。本质上，IoU 是计算 mAP 的一个基本组成部分。有关这种关系的详细解释，请参阅我们的YOLO 性能指标指南。
• IoU 与 F1 分数：F1 分数 是精确率和召回率的调和平均值，通常用于分类。虽然精确率和召回率用于计算 mAP，但 F1 分数本身并不像 IoU 那样直接衡量定位质量。它更侧重于找到所有阳性实例以及这些发现的正确性之间的平衡。