1 Max-IoU matching(YOLOv1~V3)

选取与gt的IOU最大的bounding box或者anchor，作为真样本，剩余的都是负样本。

• YOLOv1：grid cell不包含目标，只计算置信度误差；有目标，选取与gt最大IOU的bbox计算分类、回归误差；
• YOLOv2：5个anchor box；选择与gt最大IOU的anchor来计算分类和回归误差；
• YOLOv3：9个anchor box，3个尺度检测头，每个尺度3个anchor box；选择与gt最大IOU的anchor来计算分类和回归误差；

存在的问题：正样本太少，负样本太多。

2 Multi-Anchor策略(YOLOv4)

YOLOv4：只要anchor与gt的IOU大于某个阈值，都可以作为正样本。

注意：yolov4的GT需要利用max iou原则分配到指定的检测头上，然后再与指定检测头上的3个anchor box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。

3 基于宽高比的领域匹配策略(YOLOv5)

v5在v4的基础上引入自适应anchor box(Auto Learning Bounding Box Anchors)和领域正负样本分配策略

• 自适应anchor box： 训练前，针对不同的训练数据，聚类anchor box
• 基于宽高比的领域正负样本分配策略： 增加高质量正样本检测框可以显著加速收敛，v5的领域正负样本分配策略：
  • 宽高匹配： 将ground truth与当前feature map中的anchor box进行比较，如果ground truth与anchor box的宽高比例都处在[1/4, 4]那么这个ground truth就能与当前featuer map相匹配。
  • 领域匹配： 将当前feature map中的ground truth分配给对应的grid cell。将这个grid cell分为四个象限，针对与当前feature map匹配的ground truth，会计算该ground truth处于四个象限中的哪一个，并将邻近的两个grid cell中的检测框也作为正样本。如下图所示，若ground truth偏向于右上角的象限，就会将ground truth所在grid cell的上面和右边的grid cell中的检测框也作为正样本。
    
    比起yolov4中一个ground truth只能匹配一个正样本，YOLOv5能够在多个grid cell中都分配到正样本，有助于训练加速和正负样本平衡。

4 simOTA(Simple Optimal Transport Assignment)匹配策略(YOLOX, YOLOv6)

YOLOX和YOLOv6都采用了anchor-free+检测头解耦为分类cls(N)、置信度obj(1)和bbox(4)三个部分。

simOTA样本匹配流程如下，假设网络最后输出的size为hxw：

• 将所有位于gt内的点标记为：in_box
• 以gt为中心，落在5x5区域内的点标记为：in_center
• in_box与in_center取并集，作为前景信息fg_mask
  • 计算iou_loss矩阵: 计算gt与fg_mask中预测box的IoU，取log作为iou_loss
  • 计算cls_loss矩阵: 先使用置信度矩阵乘以分类矩阵，再与gt计算BCE损失
    
    Source: YOLOX-SimOTA图文详解
• in_box与in_center取交集，，在fg_mask中标记，作为in_box_and_center
• 计算simOTA的cost矩阵：$cost=cl{s}_{l}oss+3.0\ast io{u}_{l}oss+100000\ast (i{n}_{b}o{x}_{a}n{d}_{c}enter)，其中100000\ast (i{n}_{b}o{x}_{a}n{d}_{c}enter)$，表示给位于center外且在box内的其他点给一个非常大的loss，在最小化cost的过程中就会优先选择center内的样本。cost的大小为N(gt的数量)xM(fg_mask内点的数量)
• dynamic_k_matching:
  • 针对每个gt，取iou最大的10个anchor点对应的iou并求和，将其和值向下取整得到dynamic_k；
  • 针对每个gt，从cost中挑选dynamic_k个最小的loss，如果一个anchor被多个gt匹配上，则选取cost最小的作为匹配；
    
    
    Source: YOLOX中的SimOTA正负样本分配策略

YOLOv5的正负样本分配策略是基于邻域匹配，并通过跨网格匹配策略增加正样本数量，从而使得网络快速收敛，但是该方法属于静态分配方法，并不会随着网络训练的过程而调整。YOLOx使用的SimOTA能够算法动态分配正样本，进一步提高检测精度。而且比起OTA由于使用了Sinkhorn-Knopp算法导致训练时间加长，SimOTA算法使用Top-K近似策略来得到样本最佳匹配，大大加快了训练速度。

5 领域匹配+simOTA(YOLOv7)

yolov7也仍然是anchor base的目标检测算法，yolov7将yolov5和YOLOX中的正负样本分配策略进行结合，流程如下：

1. yolov5:使用yolov5正负样本分配策略分配正样本。
2. YOLOX:计算每个样本对每个GT的Reg+cls loss（Loss aware）
3. YOLOX:使用每个GT的预测样本确定它需要分配到的正样本数（Dynamic k）
4. YOLOX:为每个GT取loss最小的前dynamic k个样本作为正样本
5. YOLOX:人工去掉同一个样本被分配到多个GT的正样本的情况（全局信息）

其实主要是将simOTA中的第一步“使用中心先验”替换成“yolov5中的策略”。

6 TaskAlignedAssigner匹配策略(YOLOv8, YOLOv9)

YOLOv8和v9的检测头为目前主流的解耦头结构，将分类和检测头分离，同时也从 Anchor-Based 换成了 Anchor-Free。且不再有objectness分支，只有解耦的分类和回归的分支，并且回归分支使用了distribution focal loss中提出的积分形式表示法。

Source: YOLOV8 原理和实现全解析

TaskAlignedAtasssigner的匹配策略 ：根据分类与回归的分数加权的分数去选择正样本。
$$t=s^{\alpha }+u^{\beta }$$
针对每一个gt，其中s是每个点对应的gt类别的分类置信度，u是每个点对应预测的回归框与gt的IoU，两者相乘就可以衡量对齐程度alignment metrics。再直接基于alignment metrics选取topk作为正样本。

参考资料

[1] Yolov3-v5正负样本匹配机制
[2] YOLOX-SimOTA图文详解
[3] yolov7正负样本分配详解
[4] Yolov8标签匹配算法TaskAlignedAssigner原理及代码注解