目标检测当中，有一个常用的指标，叫IoU（Intersection over Union), 它常常用来衡量目标检测任务中，预测结果的位置信息的准确程度。
在目标检测的课题里，我们需要从给定的图片里，推测出这张图片里有哪样（或者是哪几样）东西，并且推测这样（或者这几样）东西在图片中的具体位置。比如，在下面这张图片里，我们推测出图片当中有个STOP标识，并且给出了它的推测位置（红色的方框）。
但是，图片中绿色的方框才是STOP标识真正的位置。两个方框所在的位置存在着一定的偏差。那么，我们应该怎么来衡量这个偏差的大小呢？
我们通常使用IoU（Intersection over Union)这个指标来衡量上面提到的偏差的大小。
IoU的计算原理很简单：
物体实际区域与推测区域重合的面积两个区域整体所占的面积IoU=物体实际区域与推测区域重合的面积两个区域整体所占的面积
用数学中集合的语言来说，也就是两个区域的“交集”, 除以两个区域的“并集”↓
从上面的式子可以看出，当物体的实际区域和推测区域重合面积越大，IoU的值也就越大。换句话说，IoU的值越大，推测出的物体区域就越准确。
IoU的最大值为1，此时物体的实际区域与推测区域完全重合；IoU的最小值为0，此时物体的实际区域与推测区域完全没有重叠的部分。
IoU实际上是一个比较严格的评价指标。实际区域与推测区域稍微有些偏离，得出来的IoU的值也可能会变得相当小。比如下面这幅图里，两个正方形的面积完全相同，在水平方向和垂直方向分别只有1/9的偏差，但此时它们的IoU值就变成了64/98=0.65。
一般来说，当IoU的值大于0.5时，我们就认为我们得到了一个还不错的预测结果。
关于IoU（Intersection over Union）的简单介绍 - 晓伟的文章 - 知乎 https://zhuanlan.zhihu.com/p/373658488