交并比(IoU)应当用作评估指标还是损失函数？

IoU同时支持评估指标和损失函数两种用法，两种场景的差异如下： #

仅作为评估指标（最常见的基础用法） #

这是IoU的原生使用场景，计算预测边界框/分割掩码和真实标注的交并比，取值范围0~1，数值越高代表预测结果和真实值重合度越高，对应目标检测、实例分割等任务的模型效果越好。
这种场景下IoU只会在模型验证、测试阶段计算，仅用来监控模型性能，不会参与训练过程的梯度计算，对反向传播没有任何影响。 #

作为损失函数参与反向传播 #

原生IoU本身不可微分：当预测框和真实框完全无重叠时，IoU恒为0，梯度也为0，反向传播无法推动参数更新，因此不能直接作为损失函数使用。
学界和工业界已经推出了多款可微分的IoU变体，改造后可以直接加入损失函数参与训练：

• GIoU（通用IoU）：解决无重叠时梯度消失的问题
• DIoU（距离IoU）：在GIoU基础上新增了预测框与真实框的中心距离惩罚
• CIoU（完整IoU）：在DIoU基础上额外加入宽高比一致性惩罚
  这些可微分IoU变体作为损失项加入训练时，数值会直接参与梯度计算，反向传播时会根据损失值更新模型参数，相比传统的L1/L2边界框回归损失，通常能带来更快的收敛速度和更高的定位精度。

简单判断方法：如果代码中IoU仅用来打印日志、记录指标，就是评估用途；如果计算后加入了总损失的求和计算，就是作为损失函数参与训练的用法。

内容的提问来源于stack exchange，提问作者Mao76