交併比（Intersection over union）
你如何判斷對象檢測算法運作良好呢？在本筆記中，你將瞭解到並交比函數，可以用來評價對象檢測算法。在下一個筆記中，我們用它來插入一個分量來進一步改善檢測算法，我們開始吧。
在對象檢測任務中，你希望能夠同時定位對象，所以如果實際邊界框是這樣的，你的算法給出這個紫色的邊界框，那麼這個結果是好還是壞？
所以交併比（loU）函數做的是計算兩個邊界框交集和並集之比。兩個邊界框的並集是這個區域，就是屬於包含兩個邊界框區域（綠色陰影表示區域），而交集就是這個比較小的區域（橙色陰影表示區域），那麼交併比就是交集的大小，這個橙色陰影面積，然後除以綠色陰影的並集面積。
參考：
交併比：IOU=(A∩B)/(A∪B)
一般約定，在計算機檢測任務中，如果loU≥0.5，就說檢測正確，如果預測器和實際邊界框完美重疊，loU就是1，因為交集就等於並集。但一般來說只要loU≥0.5，那麼結果是可以接受的，看起來還可以。一般約定，0.5是閾值，用來判斷預測的邊界框是否正確。一般是這麼約定，但如果你希望更嚴格一點，你可以將loU定得更高，比如說大於0.6或者更大的數字，但loU越高，邊界框越精確。
所以這是衡量定位精確度的一種方式，你只需要統計算法正確檢測和定位對象的次數，你就可以用這樣的定義判斷對象定位是否準確。再次，0.5是人為約定，沒有特別深的理論依據，如果你想更嚴格一點，可以把閾值定為0.6。有時我看到更嚴格的標準，比如0.6甚至0.7，但很少見到有人將閾值降到0.5以下。
人們定義loU這個概念是為了評價你的對象定位算法是否精準，但更一般地說，loU衡量了兩個邊界框重疊地相對大小。如果你有兩個邊界框，你可以計算交集，計算並集，然後求兩個數值的比值，所以這也可以判斷兩個邊界框是否相似，我們將在下一個視頻中再次用到這個函數，當我們討論非最大值抑制時再次用到。
請聽恩達老師講的笑話：
好，這就是loU，或者說交併比，不要和借據中提到的我欠你錢的這個概念所混淆，如果你借錢給別人，他們會寫給你一個借據，說：“我欠你這麼多錢（I own you this much money）。”，這也叫做loU。這是完全不同的概念，這兩個概念重名。
現在介紹了loU交併比的定義之後，在下一個筆記中，我想討論非最大值抑制，這個工具可以讓YOLO算法輸出效果更好，我們下一個筆記繼續。
閱讀更多 極客Array 的文章
