一句话：IoU 管"这一个框画得准不准"，mAP 管"整个模型整体好不好"。
IoU：两个框有多重合
IoU（Intersection over Union，交并比）衡量两个矩形框的重叠程度，算法就一句话：交集面积 ÷ 并集面积。两个框完全重合是 1，完全不挨着是 0。
打个比方：桌上两张便利贴，一张是你猜的位置，一张是真实位置。IoU 问的不是"你猜对没有"，而是"这两张纸叠在一起的面积，占它们整体铺开面积的比例有多大"。叠得越整齐，比例越高。
检测里通常约定一个门槛：IoU ≥ 0.5 就算"框对了"，要求严一点会用 0.75；业界常见做法是在 0.5 到 0.95 之间取多个阈值再平均，避免单一门槛太宽松。所以看到指标时，先确认门槛是多少，否则数字没法比。
从 IoU 到 mAP
光有 IoU 还不够。一个预测框要被判为"正确"（True Positive），一般要同时满足三件事：类别对、IoU 达标、且这个真实目标没有被另一个分数更高的预测框抢走。否则算误检（False Positive）；真实目标没人认领，则是漏检（False Negative）。
有了这三类计数，就能算查准率（Precision，报出来的里面有多少是对的）和查全率（Recall，该找的里面找到了多少）。麻烦在于：调低置信度阈值，召回上去了、查准掉下来；调高则相反。单点数字没法公平比较，于是把不同阈值下的结果连成一条曲线，曲线下的面积就是 AP（Average Precision，平均精度）。mAP（mean Average Precision）就是所有类别 AP 的平均值。
| IoU | mAP | |
|---|---|---|
| 衡量对象 | 单个预测框与真实框的重叠度 | 整个模型在数据集上的综合表现 |
| 取值 | 0~1 | 0~1，越高越好 |
| 依赖什么 | 两个框的坐标 | IoU 阈值、置信度阈值、类别划分、数据集 |
| 典型用途 | 判定是否算命中、NMS 去重 | 模型选型、评测排名 |
区别与实际意义
IoU 是纯几何量，不关心类别；它在工程里还常被拿去做非极大值抑制（NMS），把同一个目标上重叠的多个框删掉。mAP 则是"聚合指标"，把成千上万个框的表现压成一个数字——方便比较，代价是掩盖细节：可能小目标很差、或某一类拖后腿，但总分看着还行。
对从业者：报告结果时最好把 IoU 口径、类别范围、数据集一起写清楚。对普通人：听到"mAP 提升几个点"时，值得追问一句"在什么 IoU 阈值、哪个数据集上算的"。不同设定下的 mAP 不能直接横向比较，具体评测口径以官方页面为准。