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 $S\times S$ 网格，每个网格预测 $B$ 个 Anchor Box（默认 5 个），每个 Anchor 预测：

• 位置偏移 $(t_x,t_y,t_w,t_h)$
• 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

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：

🔁 关系说明

1. 模型以 Anchor 为起点，通过预测 偏移量（offset） 对其进行微调；
2. 每个 Anchor 会输出一个预测框（Bounding Box）；
3. 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；
4. 最终的 Bounding Box 是：
   $$B_{\text{pred}}=\text{Anchor}+\text{偏移量}$$

🧠 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。