一、前言

既然在上篇提到了IoU的部分，那IoU到底是什麼呢？講得出名字說不出用途是一件頗尷尬的事情，那不仿這邊我們專門做一集來介紹，帶你了解IoU。

二、IoU(Intersection over Union)

1. IoU是什麼？

IoU(Intersection over Union)是一個測量特定資料集中檢測物體準確度的一種標準，可以應用在許多不同的物件檢測方面中，不管是物件偵測或是圖片分割甚至是語意分割模型呢，IoU都被作為是其中一種檢測的方法。

2. IoU的定義

IoU是兩個區域之間的交集(Intersection)與聯集(Union)的比率，具體的公式如下圖。

圖片來源：Non-maximum Suppression (NMS)

其中：

• 交集(Intersection) 是預測框與真實框的重疊區域。
• 聯集(Union) 是預測框和真實框的總面積（即兩者面積之和減去交集面積）。

3. IoU的範圍

IoU的範圍會介於0到1之間：

• IoU = 0：預測框與真實框完全不重疊。
• IoU = 1：預測框與真實框完全重疊，表示模型非常的精確。
• 0 < IoU < 1：表示預測框與真實框部分重疊，IoU越接近1，模型的預測越精確。
  一般來說，當IoU的分數大於0.5時就代表是不錯的結果了。

4. 範例

如下圖，紅色框是由人手動進行標記的，藍色則是模型產生的預測，這邊的例子將IoU的閥值ɑ設定為0.5的預測。

由圖片可以看出，如果我們更改了閥值ɑ的設定，便可以得出不同的結果，輸出越接近1的代表準確率越高，但將閥值ɑ的設定調整為0的時候也可以說它是真的。

圖片、參考來源：Intersection over Union (IoU) in Object Detection & Segmentation

三、總結

於本篇中，我們認識了IoU的原理，以及應用的方式，通過IoU進行評估模型後，可以利用這個指標，提高我們對於模型產出的邊界框的準確性，結合上篇的NMS技術，可以更快地找出最優的邊界框。