3. IoU详解：交并比的计算原理、阈值设定、在评估中的作用
聊到目标检测的精度评估，有一个指标是怎么也绕不开的——IoU（Intersection over Union），也就是交并比。
说白了，它就是衡量你预测的框跟真实框到底有多像。我刚开始做检测项目那会儿，总觉得这东西太简单了，不就是算个重叠面积嘛。后来踩的坑多了才明白，IoU 的阈值怎么设、用在哪儿、不同场景下怎么调，这里面的门道真不少。
3.1 交并比的计算原理
IoU 的定义非常直观：两个矩形框的交集面积除以它们的并集面积。
公式长这样：
IoU = Area_of_Overlap / Area_of_Union其中：
- 交集面积：两个框重叠部分的面积
- 并集面积：两个框覆盖的总面积（交集只算一次）
嗯，这里要注意——并集面积不是简单地把两个框的面积加起来，而是要减去重叠的那部分，不然就重复计算了。
我习惯用 OpenCV 写一个 IoU 计算函数，代码很简洁：
def compute_iou(box1, box2):
# box格式: [x1, y1, x2, y2]
x1 = max(box1[0], box2[0])
y1 = max(box1[1], box2[1])
x2 = min(box1[2], box2[2])
y2 = min(box1[3], box2[3])
inter_area = max(0, x2 - x1) * max(0, y2 - y1)
box1_area = (box1[2] - box1[0]) * (box1[3] - box1[1])
box2_area = (box2[2] - box2[0]) * (box2[3] - box2[1])
union_area = box1_area + box2_area - inter_area
return inter_area / union_area if union_area > 0 else 0.0你看，核心逻辑就这几行。先算交集区域的左上角和右下角坐标，然后算交集面积，最后除以并集面积。如果两个框完全不重叠，IoU 就是 0。
关键点：IoU 的取值范围是 [0, 1]。0 表示完全不重叠，1 表示完全重合。实际项目中，0.5 以上就算有不错的重叠了。
我曾经在做一个行人检测项目时，发现模型输出的框总是偏大。算 IoU 一看，虽然框把行人整个包住了，但跟标注框的重叠率只有 0.4 左右。这就是典型的「框大了但没对准」的问题。
3.2 IoU 的阈值设定
阈值怎么设？这得看你的应用场景。我给大家总结一下常见的做法：
| 阈值 | 严格程度 | 适用场景 |
|---|---|---|
| 0.5 | 宽松 | 通用检测、快速验证 |
| 0.5:0.95 | 综合 | COCO 标准评估、学术 |
| 0.7 | 严格 | 高精度场景、工业质检 |
| 0.9 | 极严格 | 医学影像、卫星图像 |
你想想看，为什么 COCO 数据集要用 0.5 到 0.95 每隔 0.05 取一个阈值，然后算平均？
原因很简单——单一阈值有偏见。比如你用 0.5 做评估，模型可能只学会了「大概框住就行」，框的精度其实很差。而用多个阈值平均，能更全面地反映模型的定位能力。
我的建议：做项目评估时，至少看两个指标——mAP@0.5 和 mAP@0.5:0.95。前者看模型能不能检测到目标，后者看框得准不准。
3.3 IoU 在评估中的作用
IoU 在目标检测评估中扮演着「裁判」的角色。具体来说，它决定了两个关键判断：
- 这个检测算 True Positive 还是 False Positive？
- 这个检测跟哪个 Ground Truth 匹配？
评估流程一般是这样的：
- 模型输出一堆预测框，每个框带一个置信度分数
- 对每个预测框，跟所有真实框算 IoU
- 找到 IoU 最大的那个真实框
- 如果最大 IoU 超过阈值，就算匹配成功（TP），否则是 FP
- 没被匹配到的真实框算 FN
我给大家画个流程图，把 IoU 在评估中的位置说清楚：
你看，IoU 阈值就像一把尺子——尺子放得松，很多框都能算对；尺子放得严，只有框得特别准的才算对。
3.4 实际项目中的避坑指南
做项目这么多年，我在 IoU 上踩过的坑还真不少。给大家分享几个：
我曾经犯过的错：在一个工业缺陷检测项目中，我直接用 0.5 的 IoU 阈值评估模型，结果模型在测试集上 mAP 高达 0.92。但部署到产线后，检测框总是偏大，把很多正常区域也框进去了。后来把阈值提高到 0.7 重新评估，mAP 直接掉到 0.78。这才发现模型其实没学到位。
所以我的建议是：
- 不要只看一个阈值——至少看 0.5 和 0.75 两个点的表现
- 不同类别可以设不同阈值——比如小目标用 0.3，大目标用 0.7
- 注意框的坐标格式——有的库用 [x1,y1,x2,y2]，有的用 [x,y,w,h]，算之前一定要统一
- 小心边界情况——框完全在图像外、框的宽或高为 0，这些都要做保护
3.5 从 IoU 到更严格的评估
IoU 虽然好用，但它也有局限。比如它只考虑框的重叠面积，不考虑框的形状是否相似。两个面积相同但形状不同的框，IoU 可能差别很大。
后来业界又提出了 GIoU、DIoU、CIoU 这些变体，在 IoU 的基础上加入了中心点距离、宽高比等约束。不过那是后话了，咱们先把 IoU 吃透。
总结一下这一节的核心：
| 概念 | 一句话总结 |
|---|---|
| IoU 计算 | 交集面积 ÷ 并集面积，范围 [0, 1] |
| 阈值设定 | 0.5 宽松，0.7 严格，0.5:0.95 综合 |
| 评估作用 | 判断 TP/FP，决定检测是否匹配 |
| 项目建议 | 多阈值评估，不同类别区别对待 |