YOLO 5目标检测原理

liliwoliliwo

393人浏览 · 2026-03-28 21:15:13

liliwoliliwo · 2026-03-28 21:15:13 发布

1.几种数据增强的方法

1.1旋转缩放

一句话总结：让模型学会"不管目标怎么转、怎么变大小，我都能认出来"

1. 缩放（Scale）的作用：应对目标远近/大小变化

原图：人占画面 80%（近距离）
增强后：人占画面 30%（模拟远距离）→ 模型学会识别小人

2. 旋转（Rotation）的作用：应对目标方向变化

原图：车是正着的 🚗
增强后：车旋转45° ↗️ → 模型学会"斜着的车也是车"

YOLOv5 默认只开缩放不开旋转，是因为大多数日常物体（人、车、猫狗）有固定方向，强行旋转反而会让模型学到奇怪的特征。只有在航拍、遥感、工业零件等方向任意的场景，才需要手动开启旋转增强。

1.2 错切/非垂直投影

错切变换：垂直错切和水平错切，变换之后平行线依然保持平行，角度改变

实际场景：摄像头不是正对道路，而是斜着拍
↓
问题：车、路牌在图像中是倾斜的，不是正面
↓
错切增强：训练时随机倾斜图像
↓
效果：模型学会识别"斜着的车"，即使摄像头角度不正也能检测

透明变换：模拟人眼看到的"近大远小"效果

铁轨实际上平行，但在照片里看起来越远越窄，最终汇聚到一点

这就是透视效果——三维世界在二维图像上的投影

由于旋转/错切/透视后，标注框会变大且不准确，YOLOv5 内部有过滤机制（面积阈值 10%），过度增强会导致有效训练样本减少。建议通过可视化检查增强后的图像，确保 bbox 没有严重变形。

1.3 翻转

翻转（Flip） 和旋转/缩放/错切/透视的目的本质上是一样的——都是为了让模型学会"不管目标怎么变，我都能认出来"。

左右翻转：

原图：狗朝左看 🐕 ←
增强后：狗朝右看 → 🐕

模型学到的："狗不管是朝左还是朝右，都是狗"

上下翻转：

原图：狗正常站立 🐕
增强后：狗倒过来 🙃

为什么默认关闭？
- 现实中狗很少倒着走（除非特殊场景如无人机倒立拍摄）
- 强行翻转会引入"不真实的样本"，反而干扰模型

翻转是最简单、最高效的方向增强，旋转/错切/透视是更复杂的视角增强，缩放是距离增强。它们组合起来，让模型具备真正的鲁棒性。

1.4 四图拼接

把4张不同的图拼成1张大图，让模型一次"看"到更多场景、更多目标

左上：斑马在草地右上：长颈鹿在室内
左下：人在涂鸦墙右下：便当盒

↓ Mosaic 拼接 ↓

┌─────────────────────────────┐
│ 🦓斑马 │ 🦒长颈鹿 │
│ 草地 │ 室内 │
├─────────────────────────────┤
│ 👤人 │ 🍱便当 │
│ 涂鸦墙 │ 食物 │
└─────────────────────────────┘

↓ 随机裁剪 + 缩放 ↓

最终训练图像（640×640）：
包含4个场景的部分内容 + 所有目标的标注框

为啥需要Mosaic？解决啥问题？

| 问题 | 说明 | 后果 |
| ------------- | ------------------- | -------------- |
| **小目标太少** | 一张图里远处的人只有几个像素 | 模型学不会检测小人 |
| **背景单一** | 每张图只有一个场景（草地/室内/街道） | 模型过拟合特定背景 |
| **Batch 效率低** | 小目标需要大分辨率，GPU内存不够 | 只能用小 batch，训练慢 |
| **上下文缺失** | 模型看不到"多场景对比" | 泛化能力差 |

优势？

| 优势 | 原理 | 效果 |
| ------------- | ---------------- | ------------------------ |
| **小目标变多** | 4张图拼接，远距离目标被放大显示 | 小目标检测能力提升 **+3.2% mAP** |
| **背景多样化** | 一次看到草地+室内+街道+食物 | 模型学会"背景无关的特征" |
| **变相大 Batch** | 4张图合成1张，内存占用相同 | 等效 batch size ×4，训练更快 |
| **丰富上下文** | 不同场景的目标相邻出现 | 提升泛化能力 |

Mosaic 是 YOLOv5 相比 YOLOv4 最重要的改进之一，也是它被广泛采用的关键原因——简单、有效、几乎免费提升性能。Mosaic = 用"拼图游戏"的方式，让模型一次性接受"高难度综合训练"，从而学会在真实世界的复杂场景中"眼观六路、明察秋毫"

注意：中心点的选取有可能导致目标边框被裁剪，需要额外的对哪些被裁剪掉的目标边框重新计算一下。

1.5 图像相互融合

将两张图像按透明度叠加融合，标签直接拼接保留，训练模型同时检测两个目标

与 Mosaic 的本质区别：

| | **Mosaic**                 | **MixUp** |
| ------ | -----------                         | ------------- |
| **方式** | 4张图空间拼接           | 2张图像素融合 |
| **视觉** | 边界清晰，各自独立 | 半透明叠加，互相渗透 |
| **标签** | 框位置重新计算           | 直接拼接两组框 |
| **目的** | 看更多场景、更多小目标 | 学更鲁棒的特征、防止过拟合 |
| **适用** | 通用检测（默认全开）          | 大模型/少样本/类别不平衡 |

核心作用（3点）：

| 作用 | 说明 |
| ------------- | -------------------------- |
| **1. 特征鲁棒性** | 颜色/背景混合，迫使模型关注形状本质，而非过拟合背景 |
| **2. 虚拟样本扩充** | 两张图组合创造新训练样本，缓解数据不足 |
| **3. 正则化效果** | 类似"加噪训练"，减少过拟合，提升泛化能力 |

Mosaic 是"空间拼图"让模型见多识广；MixUp 是"像素融合"让模型去伪存真——不被颜色背景迷惑，学到目标的本质特征。关键记忆点：MixUp 的标签是拼接不是融合 → 模型要同时检出两个目标，而不是输出概率分布。

1.6 copy-paste （复制粘贴）数据增强

将图像中的目标实例（带有精确分割掩码）复制并粘贴到另一张图像的随机位置，实现"实例级"的数据增强主要作用确实是 增加小目标样本数量，提升小目标检测能力

和Mosaic的本质区别：

| | **Mosaic** | **Copy-Paste** |
| -------- | ------------ | ---------------- |
| **操作对象** | 4张完整图像 | 单个目标实例 |
| **标注要求** | 边界框（bbox）即可 | 需要分割掩码（segments） |
| **拼接方式** | 空间拼接，边界清晰 | 像素级粘贴，可产生遮挡 |
| **背景处理** | 保留原图背景 | 目标融入新背景 |
| **核心目的** | 增加小目标数量、丰富场景 | 增加特定类别样本、模拟遮挡 |

作用：

| 作用 | 详细说明 | 典型场景 |
| ------------- | ----------------------- | --------------- |
| **1. 小目标过采样** | 复制小目标实例，粘贴到不同背景，增加小目标数量 | 遥感、航拍、小物体检测 |
| **2. 类别平衡** | 对稀有类别进行过采样，复制粘贴到多张图中 | 工业缺陷、稀有动物、医学病灶 |
| **3. 遮挡模拟** | 允许30% IoA 重叠，模拟真实遮挡场景 | 拥挤人群、重叠物体检测 |

更准确的说法："作用是通过复制粘贴小目标到不同位置，增加小目标样本数量和空间分布多样性，从而提升模型对小目标的检测能力。它并不强调模拟真实场景，而是通过人工增加样本丰富度来解决小目标稀缺问题。"

2 backbone 网络细节

2.1 backbone 网络：FPN+PAN

YOLOv5 一般分为：

1）Backbone

负责从输入图片中提取不同层次的特征。

比如：

浅层特征：细节多，适合小目标

深层特征：语义强，适合大目标

2）Neck

就是你问的 FPN + PAN，负责把不同层的特征进行融合。

3）Head

负责最终输出检测结果：

类别

目标框位置

置信度

因为目标检测里会遇到不同大小的目标：

小目标：需要高分辨率、细节丰富的浅层特征

大目标：需要语义信息更强的深层特征

但问题是：

浅层特征虽然细节多，但“看不懂”高级语义

深层特征虽然语义强，但分辨率低，小目标容易丢失

所以就需要一个结构把它们融合起来。
这就是 FPN + PAN 的作用！！！！！！

2.2.1 FPN

feature pytamid network 特征金字塔网络，把高层的语义信息传递给底层特征。

FPN怎么做？

假设 backbone 输出了三层特征：

大特征图：分辨率高，适合小目标

中特征图

小特征图：分辨率低，语义强，适合大目标

FPN 的流程一般是：

自上而下（top-down）

从最深层特征开始

上采样（upsample）

和上一层较浅的特征进行融合（concat 或 add）

再继续上采样融合

深层给浅层“补语义”

2.2.2 PAN?

浅层给深层“补细节和位置信息”

因为浅层特征对：边缘轮廓位置信息更敏感，这些信息传回深层后，深层特征的定位能力会更强。

2.2.3 YOLOv5 中 FPN + PAN 的作用

<让不同层特征双向融合，提高多尺度目标检测能力>

YOLOv5 里把两者结合起来，形成一个双向特征融合结构：

FPN：上采样 + 融合

PAN：下采样 + 再融合

这样做的结果就是：

优点 1：多尺度特征融合更充分

不同层特征都能互相交流。

优点 2：小目标检测更好

浅层有细节，高层有语义，融合后更适合检测小目标。

优点 3：定位更准

PAN 把底层位置信息往上传，提升边框回归效果。

优点 4：对大中小目标都更友好

YOLOv5 通常会在多个尺度上进行预测。

2.3.6 理解的几个点

浅层特征指的是啥？
1. “浅层特征”一般指的是网络前面几层输出的特征图，不一定只是“第一层卷积”，而是靠近输入端的那些层。
2. 优点：分辨率高保留更多的局部细节（边缘纹理角点颜色变化小目标的局部结构）
3. 缺点：语义信息弱 “知道有边，有纹理，但不知道这是人？车？狗？”
深层特征指的是啥？
1. “深层特征”就是网络后面几层提取出来的特征，靠近输出端。
2. 优点：多次卷积，下采样后，分辨率更低，感受野更大，语义更强；比深层特征更容易表达：“这是一个人的整体结构”“这是车的结构”
3. 缺点：空间细节变少，小目标，边界，精确位置可能不如浅层清楚
上采样
1. 通过增加数据点或样本的数量来提高数据的分辨率
2. 在深度学习中，尤其是像 YOLOv5 这样的目标检测模型中，上采样通常是在网络的较深层进行的，目的是将特征图的空间分辨率提高，以恢复到接近输入图像的大小。这有助于保留更多的空间信息，使得网络能够更好地识别和定位目标。
下采样
1. 减少数据点或样本的数量来降低数据的分辨率。yolo v5中用于降低特征图的空间维度，有助于蹭墙语义特征
2. 在 CNN 中，逐层进行下采样（例如使用池化操作）会逐渐减少特征图的尺寸，同时增加特征图的深度。这样，网络能够提取更高级别的语义信息，因为每层的下采样都能够压缩并阐明重要特征，减少噪音。
靠近输入端
1. 靠近输入端的特征: 在网络的输入层，特征图保持较高的空间分辨率，能够保留大量的细节和局部信息。这些特征通常包含丰富的空间信息，比如纹理、边缘等。
靠近输出端
1. 靠近输出端的特征: 随着信息通过网络的传播，特征图经历了多个下采样层。通过下采样，图像的空间分辨率逐渐降低，虽然网络能够提取更高层次的语义特征（如物体的形状和结构），但高频的空间信息和细节会在这一过程中丢失。

2.2 backbone 网络 Conv层分组卷积

“groups=g”分组卷积

分组卷积 = 把输入通道分成若干组，每组各自做卷积，最后再把结果拼起来。

核心作用：减少参数量，减少计算量，控制不同通道之间的信息交互方式。

2.2.1 普通卷积和分组卷积的区别

普通卷积：

输入特征图：H × W × C_in 比如：80 × 80 × 16

如果做一个普通卷积，输出通道设为 32，那么意思是：

会有 32个卷积核

每个卷积核都会看全部16个输入通道

也就是说，每个输出通道都和所有输入通道相连。

你可以把它理解成：

每个输出通道都在“综合分析全部输入通道的信息”。

这就是普通卷积最大的特点：

通道之间完全混合。

分组卷积：

如果设置：g=2

那么 16 个输入通道就会被分成 2 组：

第1组：8个通道

第2组：8个通道

输出通道 32 也会对应分成 2 组来算，比如每组出 16 个通道。

计算时：

第1组输入只和第1组卷积核运算

第2组输入只和第2组卷积核运算

两组彼此之间不直接卷积混合

最后把两组输出拼接起来

核心区别：

普通卷积：

每个输出通道看所有输入通道

分组卷积：

每个输出通道只看自己那一组输入通道

老师把全班分成几个组：

1组只能看1组资料

2组只能看2组资料

这样每组处理更快，成本更低，

但缺点是：

组和组之间交流变少了。

所以分组卷积的本质就是：

用“限制通道交互”来换取“更低的计算成本”。

2.2.2 为啥能减少计算量？

因为普通卷积里，每个输出通道都要连接全部输入通道。

但分组后，每个输出通道只连接一部分输入通道，所以参数和计算都下降。

2.2.3 分组卷积的优点和缺点

优点：更省计算，更适合轻量化部署，可以控制结构设计（有时认为限制通道混合，反而能得到更好的结构效率）
缺点：通道之间的信息融合变弱，表达能力可能下降，需要额外模块弥补通道混合（比如配合 1*1 conv 做信息融合）

YOLOv5 在精度和速度之间做了一个平衡，没有极端地全换成分组卷积，普通卷积虽然贵一些，优势：通道混合更充分；语义表达更强；对检测精度更友好

2.3 backbone 网络 Conv层激活函数 SiLU

SiLU 像一个“软开关”，负数也有小幅输出，正数被增强，平滑且稳定。

特点：

输出值连续光滑，比 ReLU 更平滑，没有硬切断（ReLU 在 0 以下输出 0）。
对大正数近似线性，对负数有一定“抑制”，避免负数直接消失（比 ReLU 更温和）。
实验表明，在深度网络中，使用 SiLU 能提升收敛速度和准确率。

2.4 backbone网络 C3层

2.4.1 DenseNet的基本思想

DenseNet 的特点是 层间全连接：

每一层都会把前面所有层的输出通过 concat 连接起来作为下一层的输入
优点：增强特征复用，提高梯度流通性，缓解梯度消失。
缺点：随着层数增加，concat 产生的特征维度越来越大，计算量和显存消耗很高。
图上：每一层 Dense Layer 的输出通过 concat 与前面所有层的输出连接，再传入下一层。

2.4.2 CSPNet的改进思路：

CSPNet（Cross Stage Partial）是在 DenseNet 的基础上做了 计算优化和速度提升：

分割通道：CSP 将输入特征图分成两部分：
1. 一部分参与卷积计算（深层特征提取）
2. 另一部分直接跳过卷积，保留原始特征
再合并：最后通过 concat 将两部分特征拼接在一起，作为输出。
图上：“Partial Dense Block” 表示只对一部分通道做 Dense-like 卷积和 concat；“copy + concat” 表示另一部分通道直接跳过卷积，然后与卷积部分拼接；这样可以减少计算量，同时保持 DenseNet 的梯度优势和特征表达能力。
这样可以减少计算量，同时保持 DenseNet 的梯度优势和特征表达能力。

速度+精度

2.4.3 YOLO v5中的c3

不采用通道分离，输入特征全部进入两个分支处理，最后拼接融合

YOLO v5的C3层是全部参与卷积的设计，不是"一半参与、一半不参与"的通道分离方式。这种修改简化了结构，同时保持了跨阶段部分连接（CSP）的思想来提升特征融合效率。

原始CSP: 输入 ─┬─→ [卷积处理] ─┐
├─→ [直接跳跃] ─┤→ 拼接
│ │
└── 通道分离 ───┘

YOLOv5 C3: 输入 ─┬─→ [卷积→Bottleneck×n→卷积] ─┐
├─→ [卷积] ───────────────────┤→ 拼接→BN→激活→输出
│ │
└── 全部参与卷积 ──────────────┘

2.5 backbone 网络 SPPF层

2.5.1 SPP空间金字塔池化

核心问题：传统的CNN都要要求固定尺寸输入，因为全连接层需要固定维度输入。

解决方法：通过 空间金字塔池化（SPP），把不同大小的特征图“压缩”成固定长度的向量，无论输入图是 224×224 还是 512×512，输出维度一样。

SPP解决方案：

输入特征图 (任意尺寸 H×W×C)
│
├──→ 池化核: 1×1 (精细特征) ──┐
├──→ 池化核: 2×2 (中等特征) ─┼→ 拼接 → 固定维度输出
└──→ 池化核: 4×4 (粗粒度特征)─┘

(每个尺度池化后展平，拼接成固定长度向量)

补充：啥是池化？

池化就是"压缩"特征图，把局部区域的信息聚合成一个值，降低分辨率但保留关键特征。

spp是如何做到：固定维度输出的？

层面1：空间维度固定（H×W不变）

通过设置padding，让不同大小的池化核输出相同的空间尺寸。

公式: padding = (kernel_size - 1) / 2

1×1 池化: padding = 0 → 输出尺寸 = 输入尺寸
5×5 池化: padding = 2 → 输出尺寸 = 输入尺寸
9×9 池化: padding = 4 → 输出尺寸 = 输入尺寸
13×13池化: padding = 6 → 输出尺寸 = 输入尺寸

无论输入图像是224×224还是800×600，经过SPP后空间尺寸都一样！

层面2：通道维度固定（总维度固定）

输入特征图尺寸: H×W×C (H,W任意，C固定，如256)

经过4个并行池化:
- 每个分支输出: H×W×C
- 拼接后输出: H×W×(4×C) = H×W×1024

→ 最终维度只与C有关，与H,W无关！

为啥要多个池化核同时进行呢？

"多尺度提取防遗漏，Padding固定保维度" —— SPPF让网络既看得全，又接得上。

2.5.2 YOLO中的SPP/SPPF有什么不同？

2.5..2.1 yolo v5中SPPF的位置

YOLO v5 Backbone结构:

输入图像 (640×640×3)
↓
Conv + C3 × 3 (下采样到 80×80)
↓
Conv + C3 × 6 (下采样到 40×40)
↓
Conv + C3 × 9 (下采样到 20×20)
↓
Conv ──→ 【SPPF】 ←── 放在最深层，特征图最小(20×20)，通道最多(1024)
↓
输出到Neck (PANet)

为什么放这里？

深层特征图小（20×20），计算量可控

通道数多（1024），信息丰富，需要多尺度融合

即将进入Neck做特征金字塔，需要强语义特征

为啥sppf串行甚至更节省时间：？

计算量暴减 + 硬件友好

SPPF快不是因为"串行比并行快"，而是因为"小核串行比大核并行计算量更少、缓存更友好" —— 用3个小铲子（5×5）替代3把大铲子（5/9/13），挖一样深的坑，但挥铲次数少多了！

3 YOLO V5边框预测细节

3.1 准备阶段（训练前）

1.1 anchor聚类计算

数据集所有GT框的宽高 → K-means聚类 → 9个Anchor
↓
┌──────────┼──────────┐
P3(小) P4(中) P5(大)
80×80 40×40 20×20

【创新点①】：AutoAnchor自动优化
- 不是固定值，根据数据集自适应调整
- 训练前检查，必要时重新聚类

3.2 训练阶段（forword+loss）

2.1 特征提取与检测

输入图像 (640×640×3)
↓
Backbone(CSPDarknet) + Neck(PANet)
↓
三个尺度特征图：
├──→ P3: 80×80×128 ──→ Conv ──→ 80×80×3×85 (255通道)
├──→ P4: 40×40×256 ──→ Conv ──→ 40×40×3×85
└──→ P5: 20×20×512 ──→ Conv ──→ 20×20×3×85

85 = 5(x,y,w,h,obj) + 80(COCO类别)
3 = 每个cell的anchor数量

2.2 预测值解码（训练时也要算为了算loss）

网络输出：tx, ty, tw, th, to, cls...

【创新点②】：中心点跨cell预测（范围扩展到-0.5~1.5）
bx = 2 × σ(tx) - 0.5 + cx # 相对于grid cell的偏移
by = 2 × σ(ty) - 0.5 + cy

【创新点③】：宽高缩放因子（0~4倍）
bw = pw × (2 × σ(tw))² # 相对于anchor的缩放
bh = ph × (2 × σ(th))²

最终得到预测框 (bx, by, bw, bh)

2.3 正负样本匹配（关键）

每个GT框 → 找最佳匹配anchor：
Step1: 计算GT与9个anchor的宽高比
Step2: 满足 ratio < 4 且 IoU > 0.2 的anchor为正样本

【创新点④】：跨anchor正样本扩充
- 一个GT可以同时匹配多个anchor（同尺度或跨尺度）
- 甚至一个GT可以匹配到相邻的grid cell（因为中心点范围-0.5~1.5）
- 正样本数量大幅增加，训练更充分

传统YOLO：1个GT → 1个anchor
YOLO v5： 1个GT → 最多3个anchor × 多个cell = 更多正样本

2.4 损失计算

总 Loss = L_box + L_obj + L_cls

【创新点⑤】：CIoU Loss替代IoU/GIoU/DIoU
L_box = 1 - CIoU(pred, GT)

CIoU = IoU - ρ²(b,bᵍᵗ)/c² - αv
│ │ │ │
│ │ │ └── 长宽比一致性
│ │ └────── 中心点距离惩罚
│ └───────────────────── 重叠区域
└────────────────────────── 基础交并比

优势：同时优化重叠度、中心点距离、长宽比

L_obj：置信度损失（BCE）
L_cls：分类损失（BCE）

2.5 反向传播更新权重

Loss.backward() → 优化器(SGD/Adam) → 更新网络参数

3.3 推理阶段（预测）

3.1 前向传播得到预测

输入图像 → Backbone+Neck+Head → 三个尺度预测图
↓
每个位置：tx, ty, tw, th, to, cls...

3.2 解码所有候选框

对每个grid cell的每个anchor：

# 用同样公式解码（和训练时一致）
bx = 2 × σ(tx) - 0.5 + cx
by = 2 × σ(ty) - 0.5 + cy
bw = pw × (2 × σ(tw))²
bh = ph × (2 × σ(th))²

# 置信度得分
conf = σ(to)
cls_prob = softmax(cls)
score = conf × max(cls_prob)

# 过滤低分框
if score > 0.25: 保留
else: 丢弃

3.3 后处理：NMS

输入：大量候选框（如10000个）
↓
按score排序
↓
取最高框，删除IoU>0.45的重叠框
↓
重复直到无框可删
↓
输出：最终检测结果（类别、置信度、x,y,w,h）

3.4 理解改动

1. grid cell预测范围

什么是offset？

最终中心点坐标 = grid_cell坐标 + offset

比如：
- grid cell (3, 5) 的左上角是 (3, 5)
- 预测框中心 = (3 + offset_x, 5 + offset_y)

YOLOv3的问题：[0,1]限制太死

grid cell (3,5) 的范围：
┌─────────────────┐
│ │
│ (3,5) │
│ ●────────┐ │
│ │ │ │
│ │ 中心 │ │ ← offset只能在[0,1]内
│ │ 可在这 │ │ 即只能在这个小方格内
│ │ │ │
│ └────────┘ │
│ (4,6) │
└─────────────────┘

问题：如果物体中心刚好在边界附近，比如(3.9, 5.1)？
它明明离cell(3,5)很近，但v3只能让cell(3,5)预测
或者勉强让cell(4,5)预测，但offset会接近0或1，很难学

四、YOLOv5的改进：[-0.5, 1.5]跨出去

YOLOv3把预测框"锁死"在当前cell内（[0,1]），YOLOv5把"锁链"松了（[-0.5,1.5]），让预测框可以"探出头"到邻居cell，一个GT能被多个cell同时学习，大大增加了正样本数量！

2. 正采样

每个GT框（红点）→ 不仅匹配中心所在的grid cell
→ 还匹配上下左右相邻的grid cell（绿色区域）

条件：只要GT框中心到相邻cell中心的偏移量在[-0.5, 1.5]范围内

正样本采样规则总结：

对于每个GT框中心点(x, y)：

1. 计算中心grid: (cx, cy) = (floor(x), floor(y))
2. 计算偏移: (dx, dy) = (x-cx, y-cy)
3. 检查4个相邻grid：

grid(cx, cy) ← 自身，一定匹配
grid(cx+1, cy) ← 右边，如果dx > 0.5（靠近右边界）
grid(cx, cy+1) ← 下边，如果dy > 0.5（靠近下边界）
grid(cx+1, cy+1) ← 右下，如果dx>0.5且dy>0.5（靠近右下角）

或者更宽松：只要偏移在[-0.5, 1.5]内都匹配（YOLOv5实际做法）

和yolo 3的核心区别：

【YOLOv3】【YOLOv5】
"一个萝卜一个坑" "一个萝卜多个坑"

GT中心(3.2, 5.8) GT中心(3.2, 5.8)
↓ ↓
只属于grid(3,5) 属于grid(3,5) —┐
↓ 属于grid(3,6) ─┼→ 3个正样本
正样本：1个属于grid(2,5) —┘
正样本：3个

正样本采样的完整流程：

输入：GT框 (x, y, w, h, class)

Step1: 确定尺度
根据GT框大小，匹配到P3(小)/P4(中)/P5(大)某个尺度

Step2: 确定anchor（跨anchor匹配）
计算GT与当前尺度3个anchor的宽高比
如果 ratio < 4 且 IoU > 0.2，该anchor为正样本
→ 可能1个GT匹配多个anchor！

Step3: 确定grid cell（跨cell匹配）← 重点！
根据中心点(x,y)，找到中心grid(cx,cy)
计算到周围4个grid的偏移
偏移在[-0.5, 1.5]内的grid都作为正样本位置

Step4: 组合
正样本 = 匹配的anchor × 匹配的grid cell

例如：
- 匹配anchor0和anchor1（2个）
- 匹配grid(3,5)、(3,6)、(25)（3个）
- 总正样本 = 2 × 3 = 6个！

YOLOv5正样本采样 = "跨anchor + 跨cell"双重扩充 —— 一个GT框不再孤单地匹配1个anchor+1个cell，而是可以"左拥右抱"多个anchor、"脚踏多只船"多个cell，正样本数量翻3-5倍，训练更充分，检测更精准！

正样本正采样细节：

《提高正样本比例的操作》

对于每个GT框：

1. 找最佳尺度（P3/P4/P5）
2. 找匹配的anchor（宽高比<4的）
3. 找匹配的grid cell：

基础：中心grid (cx, cy) 一定匹配

扩展检查（x方向）：
- 如果 x%1 < 0.5 且 x > 1 → 左边grid (cx-1, cy) 也匹配

扩展检查（y方向）：
- 如果 y%1 < 0.5 且 y > 1 → 上边grid (cx, cy-1) 也匹配

对角：
- 如果x和y都满足 → 左上grid (cx-1, cy-1) 也匹配

4. 最终正样本 = 匹配anchor × 匹配gri

用D点(3.2, 5.8)完整走一遍

坐标：x=3.2, y=5.8

尺度：假设匹配P4（中等目标）
Anchor：假设匹配anchor0和anchor1（2个）

Grid匹配：
- 中心grid：floor(3.2)=3, floor(5.8)=5 → (3,5) ✓
- x方向：3.2%1=0.2 < 0.5, 3>1 → 左边(2,5) ✓
- y方向：5.8%1=0.8 ≥ 0.5，但5.8靠近6 → 实际代码会检查向下(3,6) ✓

假设匹配grid：(3,5), (2,5), (3,6) 共3个

总正样本：2个anchor × 3个grid = 6个预测位置都要学这个GT！

纳入“隔壁邻居”，他要做啥呢？

GT框中心点 → 判断偏向哪个方向 → 隔壁网格的anchor也要学习这个GT
↓
"学习" = 隔壁网格的预测也要负责预测这个GT框
= 隔壁网格也算正样本，参与损失计算

具体举例：

GT框中心在 (3.2, 5.8)，偏向左边（x%1=0.2 < 0.5）

【原来】只学习 grid(3,5) 的anchor
【现在】还要学习 grid(2,5) 的anchor ← 左边邻居！

即：
- grid(3,5) 的3个anchor → 都要预测这个GT
- grid(2,5) 的3个anchor → 也要预测这个GT！

正样本从3个 → 6个（如果y方向也满足，可能9个）

究竟要学啥？

训练时：
- 这些被选中的anchor位置 → 算正样本
- 它们的预测框 → 要和GT框算CIoU Loss
- 分类和置信度 → 也要算Loss

简单说：一个GT框，多个网格、多个anchor一起学！

4 YOLO v5损失计算的细节

4.1 损失函数演变史：

4.1.1 L2损失（YOLO v3早期）

L2 = (x_pred - x_true)² + (y_pred - y_true)² + (w_pred - w_true)² + ...

问题：
- 只算坐标差，不管框有没有重叠
- 大框和小框的"1像素误差"惩罚一样，不公平

4.1.2 ioU损失（考虑重叠）

IoU = 交集面积 / 并集面积 = |A∩B| / |A∪B|

L_IoU = 1 - IoU

优点：直接衡量重叠程度，有尺度不变性
缺点：不重叠时IoU=0，损失恒为1，不知道往哪优化

4.1.3 GioU损失（解决不重叠问题）

GIoU = IoU - |C - (A∪B)| / |C|

C = 包含A和B的最小包围框（图1红色虚线框）
|C - (A∪B)| = C中除了A和B之外的面积（灰色斜线部分）

L_GIoU = 1 - GIoU

4.1.4 DioU/CioU（YOLOv5使用）

CIoU = IoU - ρ²(b,bᵍᵗ)/c² - αv

ρ = 中心点距离
c = 对角线距离
v = 长宽比差异惩罚
α = 平衡系数

在GIoU基础上，进一步优化：

DIoU = 考虑中心点距离 CIoU = DIoU + 长宽比一致性（YOLOv5用这个！）

4.1.5 总览

场景：预测框A vs 真实框B

【L2损失】
A(0,0,10,10) B(100,100,10,10) → L2很大，但不知道为啥大

【IoU损失】
A和B不重叠 → IoU=0 → 损失=1（恒定的，无法优化）

【GIoU损失】
A和B不重叠 → 看最小包围框C
- A,B距离近 → C小 → GIoU大（如0.5）→ 损失小
- A,B距离远 → C大 → GIoU小（如-0.5）→ 损失大
✓ 能指导优化方向！

【CIoU损失】（YOLOv5）
在GIoU基础上，还考虑：
- 中心点是否对齐
- 长宽比是否一致
✓ 更精细，收敛更快！

YOLOv5用CIoU损失 = "不仅要框重叠，还要中心对齐、形状相似" —— 从L2的"瞎比划"，到IoU的"看重叠"，再到GIoU的"看距离"，最后到CIoU的"全都要"，损失函数越来越懂"好框"的标准！

IoU的致命伤：不重叠就是"一刀切"（损失恒为1），距离信息完全丢失；GIoU/CIoU的改进：不重叠也能"量距离"，越远惩罚越大，训练有方向！

【IoU的问题】
Epoch 1: 预测框在左上角，GT在右下角 → IoU=0，损失=1
Epoch 10: 预测框靠近了一些 → IoU=0，损失=1
Epoch 100: 还是很远 → IoU=0，损失=1

网络："我一直错得一样多，不知道往哪改！"

【GIoU/CIoU的优势】
Epoch 1: 距离1000 → GIoU=-0.9，损失=1.9
Epoch 10: 距离100 → GIoU=-0.5，损失=1.5 ← 损失变小了！有进步！
Epoch 100: 距离10 → GIoU=-0.1，损失=1.1 ← 越来越近！

网络："损失在下降，我在进步，继续往这个方向改！"