---
title: "交聯比（IoU (Intersection over Union)）"
slug: iou-intersection-over-union
language: zh-TW
source: https://aiterms.tw/terms/iou-intersection-over-union
updated_at: 2026-06-22
tags: [電腦視覺, 物件偵測, 影像分割, mAP, 邊界框]
ipas_term: false
---

# 交聯比（IoU (Intersection over Union)）

衡量兩個邊界框或區域重疊程度的指標，值域 0 到 1，常用於物件偵測與影像分割的評估。

## 完整說明

交聯比（IoU，Intersection over Union）是電腦視覺中用於衡量兩個幾何區域（通常是邊界框）重疊程度的標準指標，計算方式為兩區域交集面積除以聯集面積。IoU 廣泛用於物件偵測的預測框品質評估、非最大值抑制（NMS）的閾值判斷，以及各類目標偵測與分割任務的評估指標（如 mAP 的 IoU 閾值）。

## 常見問題

### 物件偵測中 IoU 閾值通常設多少？0.5 是標準嗎？

IoU 閾值的選擇取決於應用場景的精度要求，沒有唯一的標準。在學術評估中，Pascal VOC 傳統上以 IoU=0.5 作為單一閾值（mAP@0.5），COCO 則採用從 0.5 到 0.95 每隔 0.05 的 10 個閾值取平均（mAP@[0.5:0.95]），後者對定位精度的要求更嚴格。在實際部署中，閾值的選擇需考慮業務需求：自動駕駛等安全關鍵場景可能需要 0.7 以上的高 IoU，確保邊界框精確定位；而一般物件計數場景使用 0.5 通常已足夠。NMS 中的 IoU 閾值則控制多餘框的抑制，通常設在 0.45–0.5 之間，過高會保留太多重疊框，過低會誤刪同類別不同物件的框。

### mIoU 是什麼？在語意分割中如何計算？

mIoU（mean Intersection over Union，平均交聯比）是語意分割任務的主要評估指標。計算方式是：對每個語意類別（如道路、天空、行人），分別計算預測分割遮罩與真實標注遮罩的 IoU，然後對所有類別取算術平均。例如，若場景有 5 個類別，各類別 IoU 分別為 0.8、0.7、0.6、0.5、0.4，則 mIoU = (0.8+0.7+0.6+0.5+0.4)/5 = 0.6。mIoU 等同對待每個類別（Macro 平均），稀有類別的低 IoU 同樣影響最終得分，這使它對類別不平衡的分割任務能提供公平的評估，是 Cityscapes、ADE20K、COCO Stuff 等主流分割 Benchmark 的標準指標。

### 為什麼物件偵測模型訓練時要用 CIoU 而不是 MSE 損失？

傳統的邊界框回歸損失（如 MSE 或 Smooth L1）對邊界框的各個座標（x, y, w, h）分別計算誤差再加總，但這種方式有兩個問題：第一，它沒有直接優化 IoU，最終評估指標（mAP）是 IoU-based 的，損失函數與評估指標不一致；第二，相同的座標誤差在不同尺寸的框上代表完全不同的 IoU 差異（大框位移幾個像素影響小，小框位移幾個像素影響大）。CIoU（Complete IoU）損失直接以 IoU 為基礎，並加入中心點距離和寬高比的懲罰項，讓損失函數與評估指標高度對齊，訓練過程中的每次梯度更新都在直接朝提高 IoU 的方向優化，收斂速度更快、最終定位精度更高，因此被現代 YOLO 系列等模型普遍採用。

---

來源：https://aiterms.tw/terms/iou-intersection-over-union
快查頁：https://aiterms.tw/terms/iou-intersection-over-union
最後更新：2026/06/22
深度解說：https://aiterms.tw/learning/what-is-iou-intersection-over-union