交並比 是什麼？

Intersection over Union — 交並比 的完整解釋

交並比是物件偵測中，用來評估預測框與真實框定位準確度的指標，計算兩者重疊面積與聯集面積的比率

容易混淆

像素準確度 像素準確度看每個像素對不對，IoU 看的是框和框重疊得好不好。

Dice coefficient IoU 和 Dice 都看重疊，但 Dice 對小目標會更寬鬆一些。

記住這句就好

框重疊多少，IoU 就看多少。

實際案例

車牌框選 偵測系統把車牌框得太鬆或太偏，IoU 就會下降，後續辨識也會受影響。

醫學影像分割 腫瘤區域分割如果和專家標註重疊度高，IoU 也會高，代表定位比較準。

算法與應用

IoU = 交集面積 / 聯集面積，範圍從 0 到 1。實務上常拿來當評估指標，也會和 NMS、門檻判斷一起出現。只要你在做框、掩膜或區域定位，IoU 幾乎一定會碰到。

情境判斷

Q1（直覺題）： 如果你現在遇到一個 車牌框選 的場景，這個概念會是第一個想到的工具嗎？ → 看情況，但如果任務目標和這個概念的用途一致，就很可能是。核心還是先確認你要解決的是分類、分群、壓縮、檢索，還是最佳化。

Q2（判斷題）： 如果你把它和 Dice coefficient 一起用，結果反而變不穩，通常該怎麼想？ → 看情況。先檢查資料分布、特徵定義和模型假設是否相容，很多時候不是概念本身有問題，而是使用條件不對，像距離尺度沒對齊、標註規則不一致，或輸入格式不合。

常見問題

交並比 最容易跟 像素準確度 混淆嗎？

像素準確度看每個像素對不對，IoU 看的是框和框重疊得好不好。

什麼情況會用到 交並比？

你可以把它想成兩個框重疊的程度，重疊越多，分數就越高。 實務上只要你要處理和這個概念相符的任務，就會用到它。

初學者最常錯在哪裡？

IoU 和 Dice 都看重疊，但 Dice 對小目標會更寬鬆一些。