交併比（intersection-over-union, IoU）
/ in-ter-SEK-shun OH-ver YOON-yun /
當一個視覺模型被要求去定位某樣東西時——給狗畫個框、把馬路塗上色——做到分毫不差是不可能的。它畫的框總會大那麼一點、偏那麼一點。交併比就是我們給「夠接近了」打分的辦法。它拿模型預測的區域和真實的區域作比較，衡量它們重疊了多少，再相對於它們合起來覆蓋了多大面積。
做法就藏在名字裡。取兩個區域之間的重疊部分（交集——它們共有的那塊面積），除以它們合起來的覆蓋範圍（並集——被任意一方覆蓋到的每一個像素）。如果兩個框完美對齊，交集就等於並集，IoU為1。如果它們壓根不挨著，交集為零，IoU為0。一個典型的檢測器，若其與真值的IoU越過了某個閾值——常取0.5，意思是預測和真值至少有一半對一半的重疊——就被判為「正確」。
IoU是目標檢測和圖像分割評分方式的脊梁，恰恰因為它一次就抓住了兩類錯誤：框畫得太小，會漏掉物體的一部分（縮小了交集）；框畫得太大，會溢到背景上（撐大了並集）。誠實的提醒是：那個閾值是人為的選擇——一個在IoU 0.5下「90%準確」的模型，到了更嚴格的IoU 0.9下可能就垮了，所以那個閾值必須永遠跟著數字一起出現。
一輛汽車真實的框覆蓋100個像素；模型的框也覆蓋100個像素，但偏移了，使得它們只共享60個。它們的並集是140（100＋100−60個共享）。IoU＝60/140≈0.43——低於常用的0.5門檻，所以這次檢測會被判為漏檢。
重疊面積除以合併面積——框太小和框太大都會被扣分。
一個IoU分數離開了它的閾值就毫無意義。檢測排行榜會報「IoU 0.5下的mAP」或在一段範圍（0.5到0.95）上取平均，正是因為一個模型在寬鬆閾值下可能顯得強、在嚴格閾值下卻很弱。同一個數字配上不同的閾值，描述的是截然不同的定位品質。