IOU（Intersection over Union，交并比）是机器学习中衡量“两个区域重叠程度”的核心评价指标，尤其在涉及“区域匹配”的任务中不可或缺，核心作用是量化“预测结果”与“真实结果”的一致性。
1. 目标检测：判断预测框是否有效
这是IOU最经典的应用场景，用于评估模型预测的边界框（BBox）与真实边界框（Ground Truth）的匹配度：
- 正负样本区分：在训练时，若预测框与真实框的IOU ≥ 设定阈值（如0.5），则判定为“正样本”（有效检测）；若IOU < 阈值（如0.1），则判定为“负样本”（无效检测），帮助模型学习“什么是正确的框”。
- mAP计算核心：评估目标检测模型性能的关键指标mAP（mean Average Precision），完全依赖IOU。例如在P-R曲线（精确率-召回率曲线）中，每个召回率对应的精确率，都需通过不同IOU阈值（如0.5、0.75）来统计“正确检测的数量”。
- 非极大值抑制（NMS）：模型对同一物体可能预测多个重叠框，NMS会计算这些框的IOU，保留IOU最大的框（置信度最高），删除与它IOU超过阈值（如0.3）的其他框，避免重复检测。
2. 语义分割/实例分割：评估区域分割精度
在分割任务中，IOU用于衡量“预测分割掩码”与“真实分割掩码”的重叠程度：
- 像素级匹配：将分割结果视为二维像素区域，IOU = （预测与真实重叠的像素数） / （预测与真实总覆盖的像素数）。
- 类别级评估：对多类别分割（如道路、行人、车辆），会计算每个类别的IOU，再求平均（即mIOU，mean IOU），综合反映模型对所有类别的分割能力。例如在Cityscapes数据集评估中，mIOU是核心指标。
3. 其他场景：量化区域重叠的通用工具
除了检测和分割，只要涉及“区域匹配”，IOU都可作为评价标准：
- 目标跟踪：判断当前帧的跟踪框与下一帧预测框的重叠度，若IOU过低，说明跟踪失败，需重新初始化跟踪目标。
- 图像生成/编辑：例如在图像修复任务中，评估修复区域与原始未损坏区域的边界重叠度，IOU越高说明修复越自然、无明显拼接痕迹。
- 锚框（Anchor）设计：如之前YOLO的场景，用IOU衡量预定义Anchor与真实检测框的适配度，IOU越高，说明Anchor越符合真实物体的尺寸，模型后续回归偏移量的难度越小。
核心特点：为何IOU成为首选？
- 尺度无关：IOU的结果范围固定在[0,1]（0表示完全不重叠，1表示完全重叠），不受物体尺寸、图像分辨率影响，可跨场景、跨任务比较（例如小目标检测和大目标检测的IOU可直接对比）。
- 直观易懂：直接对应“重叠区域占总区域的比例”，符合人类对“匹配度”的直观认知，结果可解释性强。