1 基本概念
1.1 定义
交并比是衡量两个集合、区域或对象重叠程度的指标，通常记为 IoU。它以重叠部分相对于整体覆盖范围的比例来表示，因此既能反映“重叠了多少”，也能反映“多余部分有多少”。在图像分析中，它常被用来比较预测结果与人工标注是否足够接近。
1.2 数学表达
1.2.1 交集
交集指两个对象共同覆盖的部分。对于两个区域而言，交集面积越大，说明它们在空间上的重合越明显。
1.2.2 并集
并集指两个对象所覆盖范围的合并结果，即将两者所有覆盖区域合在一起后的总范围。并集会同时包含重叠部分和各自独有的部分。
1.2.3 比值计算
交并比通常写作交集面积除以并集面积，即 IoU = 交集 / 并集。这个比值消除了单纯面积大小带来的影响，更适合比较不同对象之间的空间一致性。
1.3 取值范围与含义
1.3.1 0 的情况
当两个区域完全没有重叠时，交集为 0，IoU 也为 0。这通常表示预测与真实结果完全错开。
1.3.2 1 的情况
当两个区域完全一致时，交集与并集相等，IoU 为 1。这表示二者在空间上完全匹配。
1.3.3 中间值的解释
介于 0 和 1 之间的数值表示部分重叠。数值越大，说明两者越接近；数值越小，则说明偏差越明显。实际应用中，这类中间值常用于判断结果是否达到可接受标准。
2 计算方法
2.1 基于二维边界框的计算
2.1.1 左上角与右下角坐标表示
在目标检测中，边界框通常用左上角与右下角坐标来表示。通过这四个坐标，可以直接确定框的位置和尺寸，为后续计算提供基础。
2.1.2 重叠区域求法
计算两个边界框的交集时，先分别确定它们在水平和垂直方向上的重叠区间，再将两个方向的重叠长度相乘，得到交集面积。若任一方向没有重叠，则交集面积为 0。
2.1.3 面积求法
每个边界框的面积可由宽和高相乘得到。并集面积通常等于两个框面积之和减去交集面积。最后用交集面积除以并集面积，即得到 IoU。
2.2 基于多边形区域的计算
2.2.1 几何裁剪
对于不规则区域，可先进行多边形裁剪，求出两个区域的相交部分。此类方法依赖几何运算，适用于更复杂的轮廓描述。
2.2.2 面积数值估算
当多边形较复杂或边界较平滑时，也可通过数值积分、网格采样等方式估算面积。虽然这种做法可能引入近似误差，但在工程场景中较为常见。
2.3 基于像素掩膜的计算
2.3.1 二值化处理
在实例分割中，区域通常以像素掩膜表示。先将掩膜转为二值图像，使前景像素与背景像素区分开来，便于统计。
2.3.2 像素级交集与并集
交集可通过统计两个掩膜同时为前景的像素数量得到，并集则统计至少有一个掩膜为前景的像素数量。两者相除后，即可得到像素级 IoU。
3 应用场景
3.1 目标检测
3.1.1 预测框与真实框匹配
在目标检测任务中，IoU 常用于判断模型预测框是否与真实框匹配。若重叠程度达到设定要求，预测结果便可能被视为正确检测。
3.1.2 检测结果筛选
IoU 也常用于筛除质量较差的候选框。结合置信度分数与阈值规则，可以减少重复检测和明显偏离目标的框。
3.2 实例分割
3.2.1 掩膜重叠评估
在实例分割中，模型输出的是具体对象的像素级区域。IoU 能直接衡量预测掩膜与真实掩膜的重叠程度，因此是评价分割质量的重要指标。
3.2.2 类别级统计
在多类别场景下，IoU 可按类别分别统计，再汇总分析不同类别的分割表现。这样有助于发现某些类别更容易被混淆或漏分。
3.3 图像标注质量评估
3.3.1 标注一致性检查
当同一图像存在多个标注结果时，IoU 可用于比较标注者之间的一致程度。若数值较低，往往提示边界划分存在差异。
3.3.2 自动化验收
在批量标注流程中，IoU 可作为自动验收规则的一部分，用于快速筛查异常标注，减少人工复核成本。
3.4 其他科学测量场景
3.4.1 区域重合分析
除视觉任务外，IoU 也可用于分析两个空间区域的重合关系，例如地理区域、实验样本区间或其他二维范围的比较。
3.4.2 结果一致性度量
在需要比较“预测范围”和“标准范围”的实验中，IoU 能作为结果一致性的一种通用度量，便于横向对比不同方法。
4 评价标准与阈值
4.1 常见阈值设置
4.1.1 0.5 阈值
0.5 是较常见的阈值之一，表示交并比达到一半以上时可认定为匹配。这个标准简单直接，适合早期评估和基础实验。
4.1.2 多阈值评估
除了单一阈值，也常采用多个阈值联合评估，以更全面反映模型在宽松和严格条件下的表现。这样能避免只看某一个数值而忽略整体质量。
4.2 与精确率、召回率的关系
4.2.1 检测性能联动
IoU 阈值会影响真阳性、假阳性和假阴性的划分，从而进一步影响精确率与召回率。阈值提高后，判定通常更严格，指标变化也更明显。
4.2.2 综合指标分析
在综合评估中，IoU 往往与精确率、召回率、平均精度等指标配合使用。这样可以同时观察定位质量与检出能力，避免单项指标失真。
4.3 作为正负样本判定依据
4.3.1 真阳性定义
当预测结果与真实目标的 IoU 达到规定标准时，通常可将其视为真阳性。这一判定方式在检测评估中十分常见。
4.3.2 假阳性与假阴性
若预测框与真实目标重叠不足，可能被归为假阳性；若真实目标未被有效检出，则可能形成假阴性。IoU 因而成为分类结果与定位结果之间的连接桥梁。
5 变体与扩展
5.1 广义交并比
5.1.1 非矩形区域适配
广义交并比通常指将 IoU 的思想推广到更复杂的几何对象，如多边形、曲线区域或其他非矩形结构，使其适配更广泛的空间比较任务。
5.1.2 连续空间定义
在连续空间中，交集与并集可不依赖离散像素，而以几何面积或测度方式定义。这样更接近理论表达，也更适合数学推导。
5.2 平均交并比
5.2.1 类别平均
类别平均交并比是对各类别 IoU 取平均，常用于衡量不同类别上的整体分割或检测表现，避免某一大类主导最终结果。
5.2.2 数据集平均
数据集平均则是在全体样本上汇总 IoU，再计算整体平均值。该方式有助于反映模型在整个测试集上的总体稳定性。
5.3 与其他重叠指标的比较
5.3.1 Dice 系数
Dice 系数也是衡量重叠程度的指标，计算方式与 IoU 相近，但对重叠区域的权重处理略有不同。在某些分割任务中，Dice 更偏向于强调交叠部分。
5.3.2 Jaccard 指数
Jaccard 指数与交并比在定义上高度一致，很多场景下可视为同一概念的不同名称。IoU 在计算机视觉中更常见，而 Jaccard 指数则在统计与集合论语境中更常出现。
6 优缺点
6.1 优点
6.1.1 直观易懂
IoU 的核心就是“重叠占整体的比例”，含义清晰，便于快速理解和解释。
6.1.2 可解释性强
它不仅给出一个分数，还能反映结果是偏移、缩小还是过大，因此在分析误差来源时较有帮助。
6.1.3 适合统一评估
IoU 可用于不同类型的区域表示，如边界框、掩膜和多边形，便于在统一框架下比较多种方法。
6.2 局限性
6.2.1 对边界偏移敏感
即使两个区域大体接近，只要边界略有偏差，IoU 也可能明显下降，尤其在严格评估中更为明显。
6.2.2 小目标不稳定
对于面积很小的目标，少量像素或坐标变化就会造成较大波动，因此 IoU 在小目标上往往不够稳定。
6.2.3 对形状差异的反应
当两个对象轮廓相近但形状差异较大时，IoU 可能无法充分体现局部结构上的细微区别，需要结合其他指标一起判断。
7 相关实现
7.1 编程计算思路
7.1.1 几何库调用
在程序实现中，常可借助几何库直接完成多边形裁剪、面积计算和相交判断，从而简化开发过程。
7.1.2 像素级统计
对于掩膜数据，则可通过数组运算统计前景像素数量。此方法实现简单，且容易与批处理流程结合。
7.2 常见工具与框架
7.2.1 视觉标注工具
许多图像标注工具都会提供 IoU 相关功能，用于辅助检查框选是否合理，或在导入导出时进行一致性验证。
7.2.2 深度学习框架接口
常见深度学习框架通常内置或支持 IoU 计算接口，便于训练过程中监控检测与分割性能，并在验证阶段输出评估结果。
7.3 性能优化
7.3.1 批量计算
在大规模数据集上，逐个样本计算会较慢，因此常采用批量处理方式一次性完成多组 IoU 运算，提高整体效率。
7.3.2 向量化处理
通过向量化运算减少循环次数，可显著提升计算速度。对于大批量框或掩膜，这种做法尤其有效。
8 术语与历史
8.1 术语来源
“交并比”一词由“交集”“并集”和“比”构成，直接反映其数学含义。英文名 Intersection over Union 则更明确地指出了分子与分母的关系。
8.2 相关概念演进
8.2.1 Jaccard 指数背景
IoU 的思想可追溯到集合论中的 Jaccard 指数。该指标原本用于比较集合相似性，后来逐步被引入图像处理与视觉评估领域。
8.2.2 视觉评测中的普及
随着目标检测和实例分割的发展，IoU 因计算简单、含义明确而被广泛采用，逐渐成为视觉任务中最基础也最常用的评测指标之一。
</INTERNAL_LINK_CANDIDATES> Jaccard 指数（衡量集合相似性的指标） Dice 系数（衡量重叠程度的指标） 精确率（预测为正的样本中正确的比例） 召回率（真实为正的样本中被检出的比例） 真阳性（被正确识别为正的样本） 假阳性（被错误识别为正的样本） 假阴性（实际为正但未被识别的样本） 目标检测（识别并定位目标的任务） 实例分割（对图像中每个实例进行像素级分割的任务） 边界框（用于表示目标位置的矩形框） 多边形区域（由多个顶点构成的几何区域） 像素掩膜（以像素级方式表示目标区域的二值图） 平均精度（综合检测性能的评价指标） 非极大值抑制（用于筛选重叠候选框的方法） 几何裁剪（求取几何图形交集的运算） 向量化处理（利用数组运算提升计算效率的方法）