标准回答
一、先把结论讲清楚
可以先给公式：IoU = 交集面积 / 并集面积，它衡量两个检测框重叠得有多多。
一、交集怎么求？
框格式先统一成 [x1, y1, x2, y2]。交集左上角取两个框左上坐标的最大值，右下角取两个框右下坐标的最小值。交集宽高要写成 max(0, x2-x1)、max(0, y2-y1)，因为两框不相交时宽高会是负数。
二、拆开机制和判断点
二、并集怎么求？
并集不是两个面积直接相加，而是 areaA + areaB - inter。最后 IoU = inter / union。如果 union 是 0，比如退化框，就返回 0，避免除零。
**三、面试里最该强调什么？
三、补上例子、边界和取舍
**
坐标格式不能混，[x,y,w,h] 要先转成 [x1,y1,x2,y2]；无重叠一定要 clamp，否则负宽乘负高可能变成假的正面积。下面给出单框版与向量化批量版：
面试里可以补一个视觉任务例子：手撕代码：实现两个边界框的 IoU 在分类、检测、分割或多模态理解里分别会影响数据增强、模型结构、指标选择和误检漏检分析。这样回答会比单独讲概念更像真实项目经验。
import numpy as np
def iou(box_a, box_b):
"""框格式 [x1, y1, x2, y2]（左上、右下）。"""
# 交集矩形的左上与右下
x1 = max(box_a[0], box_b[0])
y1 = max(box_a[1], box_b[1])
x2 = min(box_a[2], box_b[2])
y2 = min(box_a[3], box_b[3])
# 无重叠时宽/高为负，钳制到 0
inter = max(0, x2 - x1) * max(0, y2 - y1)
area_a = (box_a[2] - box_a[0]) * (box_a[3] - box_a[1])
area_b = (box_b[2] - box_b[0]) * (box_b[3] - box_b[1])
union = area_a + area_b - inter
return inter / union if union > 0 else 0.0
def iou_matrix(boxes_a, boxes_b):
"""向量化：boxes_a (N,4), boxes_b (M,4) -> IoU 矩阵 (N, M)。"""
a = np.asarray(boxes_a, dtype=float)
b = np.asarray(boxes_b, dtype=float)
x1 = np.maximum(a[:, None, 0], b[None, :, 0])
y1 = np.maximum(a[:, None, 1], b[None, :, 1])
x2 = np.minimum(a[:, None, 2], b[None, :, 2])
y2 = np.minimum(a[:, None, 3], b[None, :, 3])
inter = np.clip(x2 - x1, 0, None) * np.clip(y2 - y1, 0, None)
area_a = (a[:, 2] - a[:, 0]) * (a[:, 3] - a[:, 1])
area_b = (b[:, 2] - b[:, 0]) * (b[:, 3] - b[:, 1])
union = area_a[:, None] + area_b[None, :] - inter
return np.where(union > 0, inter / union, 0.0)
if __name__ == '__main__':
print(round(iou([0, 0, 2, 2], [1, 1, 3, 3]), 4)) # 1/7 ≈ 0.1429
print(round(iou([0, 0, 1, 1], [2, 2, 3, 3]), 4)) # 不相交 -> 0.0
print(np.round(iou_matrix([[0, 0, 2, 2]], [[1, 1, 3, 3], [0, 0, 2, 2]]), 4))常见误区
⚠️ 常见踩坑
误区一：不 clamp 交集宽高。 两框不相交时，负宽乘负高可能变成正面积，IoU 会完全错。
误区二：混用坐标格式。 [x,y,w,h] 和 [x1,y1,x2,y2] 不能直接混算，必须先统一。
追问
追问 1：IoU 在 NMS 里如何使用？复杂度？
NMS 会先按置信度排序，保留最高分框，然后删掉和它 IoU 超过阈值 的候选框，循环直到没有框。朴素复杂度是 O(n²)，工程上常用向量化、GPU 或 Soft-NMS 优化。
追问 2：IoU 作为损失有什么问题，GIoU/DIoU 怎么改进？
两框不相交时 IoU 恒为 0，几乎没有有效梯度指导框靠近。GIoU 加最小包围框惩罚，DIoU 加中心距离，CIoU 再考虑长宽比，让框回归更稳定。
🔗 相似问题
同一考点的不同问法，换着练更稳
没找到想看的面试题？把你想看的告诉我们 →
延伸学习
按主题分类的相关资源，便于系统复习
