YOLOv2 正负样本分配机制详解
YOLOv2 正负样本分配机制详解
在目标检测任务中，正负样本的定义决定了哪些预测框用于训练，以及如何计算损失函数。YOLOv2 在 YOLOv1 的基础上，引入了 Anchor Boxes（锚框） 机制，正负样本的判断方式也发生了重要变化。
✅ 一、YOLOv2 中的 Anchor Box 引入
YOLOv2 将图像划分为 S × S S \times S S×S 网格，每个网格预测 B B B 个 Anchor Box（默认 5 个），每个 Anchor 预测：
- 位置偏移 ( t x , t y , t w , t h ) (t_x, t_y, t_w, t_h) (tx,ty,tw,th)
- 置信度（objectness score）
- 多个类别的概率（softmax 或 sigmoid）
🎯 二、正负样本的定义
1. 正样本（Positive Samples）
满足以下条件的预测框被视为正样本：
- 某个 Ground Truth Box 被分配给 与其 IOU 最大的 Anchor Box。
- 分配发生在该目标中心点所在的网格 cell 内。
- 每个 Ground Truth 只分配给 一个 Anchor（最佳匹配）。
即：一张图中有多个目标，每个目标仅分配给一个最合适的 Anchor。
2. 负样本（Negative Samples）
- 没有被任何 GT 分配的 Anchor 预测框。
- 与所有 Ground Truth 的最大 IOU 低于阈值（通常为 0.5）。
这些 Anchor 被作为负样本，仅用于训练置信度（objectness）为 0。
🧮 三、样本分配机制图示
Grid Cell (7x7)└─ 每个 Cell 预测 5 个 Anchor Box├─ 与某个 GT IOU 最大 → 正样本├─ IOU 太低 → 负样本└─ 其他 Anchor 忽略
四、与 YOLOv1 的区别
| 项目 | YOLOv1 | YOLOv2 |
|---|---|---|
| Anchor | ❌ 无 | ✅ 有 |
| 每个 GT 分配框数量 | 多个（B 个） | 仅一个（最佳 Anchor） |
| 负样本定义 | 其余所有预测框 | 未分配且 IOU < 阈值 |
| 正样本位置 | GT 中心落入的 Cell | 同上 |
五、📌 总结
YOLOv2 中的正负样本策略，主要围绕 Anchor Box 与 Ground Truth 的匹配关系：
• 正样本：与 GT 匹配 IOU 最大的 Anchor
• 负样本：其余 Anchor 且 IOU 低
• 忽略：其他 IOU 不高不低者（可选处理）
Bounding Box 与 Anchor 的关系详解
在目标检测中，Anchor Box 是模型预设的一组参考框模板，而 Bounding Box 是模型预测的最终目标框，两者之间的关系如下：
| 名称 | 说明 |
|---|---|
| Anchor Box | 预定义的固定尺寸框，用于覆盖不同尺寸、宽高比的目标 |
| Bounding Box | 模型输出的框，用于拟合真实物体（Ground Truth Box）的位置 |
🔁 关系说明
- 模型以 Anchor 为起点，通过预测 偏移量（offset） 对其进行微调；
- 每个 Anchor 会输出一个预测框（Bounding Box）；
- 训练过程中，选出与 Ground Truth 重合度最高（IoU 最大）的 Anchor，作为正样本；
- 最终的 Bounding Box 是：
B pred = Anchor + 偏移量 B_{\text{pred}} = \text{Anchor} + \text{偏移量} Bpred=Anchor+偏移量
🧠 举例
- Anchor:
[w=100, h=200]（模型预定义的框） - 偏移预测:
[dx, dy, dw, dh] - 最终预测框 (Bounding Box): 根据 anchor + 偏移解码得到
Anchor 是起点，Bounding Box 是终点。