1.每一个目标都只有一个正样本，max-iou matching策略，匹配规则为 IOU最大（没有阈值），选取出来的即为 正样本；
2. IOU负样本；
3.除了正负样本，其余的全部为 忽略样本
比如drbox与gtbox的IOU最大为0.9，设置IOU小于0.2的为负样本。
那么有一个IOU为0.8的box，那么这个box就是忽略样本，有一个box的IOU为0.1，那么就是负样本；同样的drbox与gtbox的IOU最大为0.4，那么它也是正样本。
4.正anchor用于分类和回归的学习，正负anchor用于置信度confidence的学习，忽略样本不考虑。
YOLOv4采用了不同于YOLOv3的multi anchor策略，即 只要大于IoU阈值的anchor box，都统统视作正样本，换言之，那些原本在YOLOv3中会被忽略掉的样本，在YOLOv4中则统统成为了正样本，不难看出，YOLOv4的正样本会略微多于YOLOv3，对性能的提升也自然会有一些帮助。
GT需要利用max iou原则分配到不同的预测层yolo-head上去，然后在每个层上单独计算正负样本和忽略样本。不存在某个GT会分配到多个层进行预测的可能性，而是一定是某一层负责的。
1 yolov5输出有３个预测分支，每个分支的每个网格有３个anchor与之对应
采用。
2 没有采用IOU最大的匹配方法，而是通过计算该boundingbox和当前层的anchor的宽高比，如果最大比例大于4（设定阈值），则比例过大，则说明匹配度不高，将该bbox过滤，在当前层认为是背景；
3 计算这些box落在哪个网格内，同时利用四舍五入规则，找出最近的两个网格，将这三个网格都认为是负责预测该bbox的，所以理论上最多一个gt会分配9个正样本anchor，最少为3个（因为引入了相邻两个网格）
YOLOx正负样本是采用的标签分配策略，YOLOX的解析可以参考我上一个博客。区分正负样本大致分为三步
- 根据中心点来判断、根据目标框来判断
规则：寻找anchor_box中心点，落在groundtruth_boxes矩形范围的所有anchors。 - 根据目标框来判断：
规则：以groundtruth中心点为基准，设置边长为5的正方形，挑选在正方形内的所有锚框。 - 精细化筛选
上面两个步骤完成了对anchor的初步筛选，最后一步精细化筛选用的是论文中提到的SimOTA。这个步骤有点复杂，大致是现根据计算出的iou_loss挑选出10个最大的候选框，以此决定每个target会分到多少个正样本
Original: https://blog.csdn.net/weixin_43850171/article/details/123380975
Author: 折磨王
Title: YOLOv3/v4/v4/x中正负样本的定义
原创文章受到原创版权保护。转载请注明出处：https://www.johngo689.com/682169/
转载文章受原作者版权保护。转载请注明原作者出处！