Intersection over Union（交并比）

交并比（IoU）是目标检测与分割任务中衡量预测区域与真实区域重叠程度的核心指标。它既用于评估模型精度，也作为非极大值抑制（NMS）等后处理步骤的判断依据。

IoU 衡量两个集合（或区域）的相似程度，在目标检测中具体表现为预测边界框与人工标注框的空间重叠比例。

• 核心公式：IoU = |A ∩ B| / |A ∪ B|，其中 A 为预测框，B 为真实框
• 取值范围：[0, 1]，0 表示零重叠，1 表示完全匹配
• 等价关系：IoU 在形状层面等同于 Jaccard 相似系数，两者数学定义完全一致
• 直觉理解：把两个矩形框叠在一起，「重叠部分面积」除以「两框合并后的总面积」即为 IoU

给定预测框坐标 (x1, y1, x2, y2) 与真实框坐标，IoU 的计算分三步完成。

• 第一步——求交集：取两框左上角坐标的最大值和右下角坐标的最小值，得到交叉矩形；若结果为负则交集为零
• 第二步——求并集：并集面积 = 预测框面积 + 真实框面积 - 交集面积（容斥原理）
• 第三步——相除：IoU = 交集面积 / 并集面积
• 实现细节：在批量推理中通常使用向量化操作（如 PyTorch/NumPy 的广播机制）高效计算所有预测框与真实框的 IoU 矩阵

标准 IoU 在用作损失函数时存在梯度消失等缺陷，研究者提出多种改进版本。

• GIoU（Generalized IoU，2019）：引入最小外接矩形 C，当两框无重叠时仍能提供非零梯度，避免训练停滞
• DIoU（Distance IoU，2020）：在 GIoU 基础上加入预测框与真实框中心点距离的惩罚项，收敛速度更快
• CIoU（Complete IoU，2020）：在 DIoU 基础上进一步惩罚宽高比差异，使预测框形状更接近真实框
• Alpha-IoU（2021）：通过幂次参数 α 统一了 IoU、GIoU、DIoU 等损失家族，对困难样本更鲁棒
• 实践建议：YOLOv5/v8 等现代检测器默认使用 CIoU 作为边界框回归损失

IoU 在计算机视觉的多个核心任务中均扮演关键角色。

• 目标检测评估：将 IoU 与阈值（如 0.5）比较，判定预测为真正例（TP）或假正例（FP），进而计算 AP/mAP
• 非极大值抑制（NMS）：检测器输出多个候选框时，用 IoU 判断候选框间重叠程度，压制冗余框，保留最优框
• 实例分割：对掩码（mask）的像素级重叠计算 IoU，衡量分割精度（称为 mask IoU 或 mIoU）
• 目标跟踪：在 SORT、DeepSORT 等算法中，用 IoU 建立帧间检测框的关联矩阵
• 锚框匹配：训练阶段将真实框与预设 anchor 匹配时，以 IoU 作为匹配准则

IoU 常与精确率（Precision）、召回率（Recall）等指标并用，需注意各自侧重点。

• IoU vs Precision/Recall：IoU 衡量单对框的空间重叠程度；Precision/Recall 在给定 IoU 阈值下衡量整体预测集合的准确率与覆盖率
• IoU vs Dice 系数：Dice = 2|A ∩ B| / (|A| + |B|)，与 IoU 正相关但对小目标更敏感；医学图像分割中常用 Dice
• IoU vs mIoU：mIoU（mean IoU）是所有类别 IoU 的平均值，是语义分割任务的标准评估指标
• IoU 阈值的影响：PASCAL VOC 使用 IoU ≥ 0.5 作为正例判定标准；COCO 在 0.5:0.05:0.95 范围取平均，对精度要求显著更高

尽管 IoU 被广泛使用，实际应用中有若干值得注意的陷阱。

• 梯度消失：当预测框与真实框完全不重叠时，IoU = 0 且梯度为零，标准 IoU 损失无法指导模型调整方向
• 尺度不敏感性：对于面积很小的目标，即使预测框偏差几个像素，IoU 也会急剧下降，小目标检测评估需特别关注
• 阈值选择的主观性：0.5 的 IoU 阈值已成工程惯例，但并不总是与人类感知一致——某些场景下 0.75 或更高阈值更合理
• 无法惩罚方向性偏差：标准 IoU 不区分框的偏移方向，DIoU/CIoU 的引入正是为了弥补这一缺陷
• 误用混淆：部分从业者将「IoU 高」等同于「模型好」，忽视了类别预测错误的情况——IoU 只评估定位，不评估分类

IoU 从集合论中的 Jaccard 系数演化为现代目标检测的核心指标，经历了数十年积累。

• 1901 年：植物学家 Paul Jaccard 提出 Jaccard 相似系数，用于比较不同地区植物群落的物种相似性
• 2005–2012 年：PASCAL VOC 挑战赛将 IoU ≥ 0.5 作为目标检测评估标准，使其成为业界通用规范
• 2014 年：R-CNN（Girshick et al.）将 IoU 用于候选区域筛选和 NMS，推动了深度学习目标检测的发展
• 2014 年起：COCO 数据集引入多 IoU 阈值平均（0.5:0.95），显著提升评估标准严格程度
• 2019 年：斯坦福团队提出 GIoU（Rezatofighi et al., CVPR 2019），开启 IoU 损失改进研究热潮
• 2020 年：DIoU 和 CIoU 相继提出（Zheng et al., AAAI 2020），成为主流检测器的默认损失函数
• 2021 年至今：Alpha-IoU、Focaler-IoU 等变体持续涌现，IoU 研究仍是目标检测领域活跃方向