IoU就是我们所说的交并比，是目标检测中最常用的指标，在anchor-based的方法中，他的作用不仅用来确定正样本和负样本，还可以用来评价输出框（predict box）和ground-truth的距离。
优点：
1 它可以反映预测检测框与真实检测框的检测效果。
2 一个很好的特性就是尺度不变性，也就是对尺度不敏感（scale invariant）， 在regression任务中，判断predict box和gt的距离最直接的指标就是IoU.
缺点：
1 如果两个框没有相交，根据定义，IoU=0，不能反映两者的距离大小（重合度）。同时因为loss=0，没有梯度回传，无法进行学习训练。
2 IoU无法精确的反映两者的重合度大小。IoU无法直接优化没有重叠的部分
Ac计算两个框的最小闭包区域面积 (通俗理解：同时包含了预测框和真实框的最小框的面积)，
网友评论