联盟路交叉口 (IoU)

交集大于联合（IoU）是计算机视觉（CV）中的一个基本评估指标，尤其适用于物体检测任务。它衡量两个边界之间的重叠程度：模型生成的预测边界框和地面实况边界框，即手工标注的正确轮廓。由此得出的分值介于 0 和 1 之间，用于量化模型在图像中定位物体的准确程度。1 表示完全匹配，0 表示完全没有重叠。这一指标对于评估Ultralytics YOLO11 等模型的定位精度至关重要。

IoU 如何工作

IoU 的核心是计算预测边界框和地面实况边界框的交集（重叠面积）与联合（两个框覆盖的总面积）之比。想象一下两个重叠的正方形。交点 "是两个正方形重叠的区域。结合部 "是两个方框覆盖的总面积，重叠部分只计算一次。通过用 "交集 "除以 "结合部"，IoU 提供了一种标准化的测量方法，用于衡量预测方框与实际物体的吻合程度。这一简单而强大的概念是现代深度学习（DL）用于物体检测的基石。

使用 IoU 的一个关键部分是设置 "IoU 阈值"。该阈值是一个预定义值（如 0.5），用于确定预测是否正确。如果预测框的 IoU 分数高于该阈值，则被归类为 "真阳性"。如果得分低于这个阈值，则为 "假阳性"。该阈值直接影响精度和召回率等其他性能指标，也是计算平均精度 (mAP) 的重要组成部分，平均精度是评估COCO 等基准数据集上物体检测模型的标准指标。

实际应用

IoU 对于验证无数人工智能系统的性能至关重要。下面是几个例子：

1. 自动驾驶：在自动驾驶汽车的人工智能中，IoU 用于评估汽车视觉系统检测行人、其他车辆和交通标志的能力。高 IoU 分数可确保预测边界框的精确性，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精确的物体检测来保证其自动驾驶系统的安全。
2. 医学成像：在医学图像分析中，IoU 可帮助评估模型的准确性，这些模型可识别核磁共振成像或 CT 等扫描中的肿瘤或病变等异常情况。精确定位对治疗计划至关重要，而 IoU 则提供了一个可靠的衡量标准，用于衡量模型的预测是否对临床有用。这在使用 YOLO 模型进行肿瘤检测等应用中至关重要。

利用 IoU 增强模型性能

IoU 不仅仅是一个评估指标，它也是训练过程本身不可或缺的一部分。许多现代物体检测架构，包括Ultralytics YOLOv8和 YOLO11 的变体，都在其损失函数中直接使用 IoU 或其变体。这些先进的基于 IoU 的损失函数，如 Generalized IoU (GIoU)、Distance-IoU (DIoU) 或 Complete-IoU (CIoU)，有助于模型学习预测边界框，这些边界框不仅重叠度高，而且还考虑了中心间距离和长宽比一致性等因素。与传统的回归损失相比，这种方法收敛更快，定位性能更好。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整过程中监控 IoU 可以帮助开发人员完善模型，从而实现更好的定位。Ultralytics HUB等工具可以跟踪 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，但有时并不灵敏，尤其是对于非重叠方框。这一局限性促使了上述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 与其他指标的比较

虽然 IoU 至关重要，但了解它与其他指标的关系也很重要：

• IoU 与准确率： 准确率是分类任务中的常用指标，用于衡量正确预测的百分比。然而，它并不适合物体检测，因为它没有考虑定位误差。预测可能会正确地对一个物体进行分类，但却不能很好地定位边界框。IoU 通过测量定位质量专门解决了这一问题。
• IoU 与平均精度 (mAP)：这些术语相互关联，但又有所区别。IoU 衡量的是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所有对象和类别中的表现。它是通过对多个 IoU 阈值和所有类别的精度值进行平均计算得出的。从本质上讲，IoU 是计算 mAP 的基石。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 分数是精确度和召回率的调和平均值，通常用于分类。虽然计算 mAP 时会用到精确度和召回率，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正向实例与这些发现的正确性之间的平衡。