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
            
            
              python
              
              
            
          
          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。