联盟路交叉口 (IoU)

IoU 在模型评估中的重要性

在评估以下模型的性能时，IoU 是一项重要的性能指标 Ultralytics YOLO等模型在图像中定位物体的性能时，IoU 是一个关键的性能指标。分类可以告诉我们存在什么物体（参见图像分类），而 IoU 则可以告诉我们模型精确定位物体位置的程度。在现实世界的许多场景中，精确定位与正确分类同样重要，因此这种空间精确度至关重要。高 IoU 分数表明，模型的预测与实际物体的边界非常吻合。许多物体检测基准，如流行的COCO 数据集评估和较早的PASCAL VOC 挑战赛，都在很大程度上依赖 IoU 阈值来确定检测是否正确。您可以在我们的文档中探索各种基准数据集，如COCO和PASCAL VOC。

计算 IoU

计算方法是将预测边界框与地面实况边界框重叠的区域（交点）除以两个边界框合并覆盖的总区域（结合点）。1 表示完全匹配，即预测边界框与地面实况边界框完全重叠。0 分表示完全没有重叠。许多物体检测评估协议的常见做法是，如果 IoU 分数达到或超过某个阈值（通常为 0.5），则认为预测正确。不过，根据应用对精度的要求，可能会使用更严格的阈值（如 0.75 或甚至 0.9），如 COCO 评估中使用的 mAP@.5:.95 等指标。该阈值会直接影响精确度和召回率等指标。

物联网在现实世界中的应用

IoU 能够测量定位精度，因此在各个领域都不可或缺：

• 自动驾驶汽车：在自动驾驶汽车的人工智能中，准确检测行人、骑自行车者和其他车辆对安全至关重要。像 YOLO11这样的物体检测模型可以预测这些物体周围的边界框。预测框与实际物体位置之间的高 IoU 可以确保汽车系统准确了解周围环境，这对导航和避免碰撞至关重要。自动驾驶汽车的安全标准通常隐含着对高定位精度的依赖。
• 医学图像分析：在医疗保健领域使用人工智能时，尤其是在医学图像分析方面，IoU 可帮助评估旨在检测扫描（如 CT 或 MRI）中肿瘤或异常的模型。例如，分割肿瘤的模型（图像分割）需要准确地勾勒出肿瘤的轮廓。IoU 可测量模型预测的肿瘤区域与放射科医生标记的区域（地面实况）之间的重叠度，确保模型的发现与临床相关。正如各种医学影像人工智能研究强调的那样，高 IoU 对准确诊断和治疗规划至关重要。您可以在我们的数据集资源中找到脑肿瘤检测数据集等相关数据集。

IoU 与其他评估指标其他评估指标

虽然 IoU 专门针对地面实况测量单一预测的定位质量，但它通常与其他指标一起使用，以全面反映性能。

• 平均精度 (mAP)：这是物体检测中广泛使用的综合指标。它计算的是不同 IoU 阈值（如从 0.5 到 0.95）下的平均精度，而且通常是多个物体类别下的平均精度。与评估单个预测的 IoU 不同，mAP 提供了一个单一的数字，总结了模型在不同操作点上的分类和定位精度的整体性能。您可以在我们的YOLO 性能指标指南中了解有关这些指标的更多信息。
• 精确度和召回率：IoU 本身并不直接衡量分类的正确性，只衡量定位的重叠性。精确度衡量的是正面预测的准确性（有多少检测到的方框确实包含一个物体），而召回率衡量的是模型找到所有相关实例的能力（有多少实际物体被检测到）。在计算精确度和召回率时，会使用 IoU 阈值来确定检测是否为真阳性。了解精确度和召回率之间的关系是解释 mAP 和F1 分数等指标的关键。

利用 IoU 增强模型性能

IoU 不仅仅是一个评估指标，也是训练过程本身不可或缺的一部分。许多现代物体检测架构，包括 Ultralytics YOLOv8和YOLOv10 的变体，在其损失函数中直接使用 IoU 或其变体（如广义 IoU (GIoU)、Distance-IoU (DIoU) 或 Complete-IoU (CIoU)）。这些先进的基于 IoU 的损失有助于模型学习预测边界框，这些边界框不仅重合度高，而且还考虑了中心间距离和长宽比一致性等因素，与传统的回归损失相比，收敛速度更快，定位性能更好。您可以在我们的文档中找到不同YOLO 模型之间的详细比较。

在模型训练和超参数调整过程中监控 IoU 可以帮助开发人员完善模型，从而实现更好的定位。Ultralytics HUB等工具可以跟踪 IoU 和其他指标，从而简化模型改进周期。尽管标准 IoU 用途广泛，但有时并不敏感，特别是对于非重叠方框或尺度差异很大的方框。这就促使人们开发了上述 IoU 变体。尽管如此，IoU 仍然是计算机视觉评估的基石，也是深度学习 (DL) 的关键概念。