透過直覺的圖形拖曳與動態換算，徹底理清 IoU（重疊率）與 Dice Coefficient（相似度）！
大白話解釋：影像分割是像素級的 AI 任務。綠色是真實範圍，藍色是 AI 預測範圍。試著用滑鼠拖曳或滾動滾輪改變大小！
對預測偏離的惩罰非常嚴厲。只要有任何像素沒對準，分母（聯集）就會迅速變大。適合做為學術界最客觀的「硬核審查標準」。
在數學結構上完全等同於文字分類的 F1-Score。在醫療影像分割（如腫瘤識別）中，工程師極度喜歡將它做成損失函數（Dice Loss），因為它對於對稱特徵的梯度收斂非常穩定。
IoU 與 Dice 是影像分割的評估指標,iPAS 中級科目一考點。重點:IoU 等於交集除以聯集;Dice 等於 2 乘交集除以兩者面積和,Dice 給交集更高權重、對小區域更敏感、數值通常比 IoU 高(兩者單調相關)。易混點:醫療等小病灶、不平衡場景偏好 Dice,並常用 Dice loss 直接訓練。情境:評估分割輪廓準確度、選對指標與損失。
想練情境題與詳解 → AI 學習與考證地圖
都衡量重疊；IoU 等於交集除以聯集；Dice 等於 2 倍交集除以兩者面積和。Dice 給交集更高權重、對小區域更敏感、數值通常比 IoU 高。
Dice 等於 2 乘 IoU 除以 (1 加 IoU)；兩者單調相關，IoU 高 Dice 也高，但 Dice 對小物件與不平衡更寬容。
兩者都常用；醫療影像(小病灶、類別不平衡)偏好 Dice(更敏感)，也常用 Dice loss 直接訓練。
像素級交叉熵在前景遠少於背景時會被背景主導；Dice loss 直接優化重疊、對類別不平衡較穩。
通常算每張的 IoU 或 Dice 再平均(mIoU)；也要看各類別表現，避免大類掩蓋小類的差。