【YOLOv8】正样本匹配

本系列文章记录本人硕士阶段YOLO系列目标检测算法自学及其代码实现的过程。其中算法具体实现借鉴于ultralytics YOLO源码，删减了源码中部分内容，满足个人科研需求。本篇文章在YOLOv5算法实现的基础上，进一步完成YOLOv8算法的实现。

本文主要介绍yolov8在训练过程中的两个阶段：1.Task-Aligned Assigner 正负样本动态分配策略2.损失函数计算由于个人感觉官方代码读起来比较困难，故按照自己的思路重新写了一遍，下面将按照自己的代码进行讲解。假设：网络输入大小为：images = b x 3 x 640 x 640类别数目 cls_num = 2 (person + car )超参数 reg_max = 16输出通道为： 4 * reg_max + cls_num则。

yolov8正负样本标签分配代码解析

训练过程中，进行损失计算的代码位于中self.criterion()函数位于所以接下来具体看class Loss（同样在该train.py中）。

v8的损失函数、Anchor-Free、样本分配策略介绍，以及和v5的对比

传入模型预测值p和GT框信息targets。p用于获取当前特征层的feature map宽高遍历每一个预测特征层，分别获取正样本数据获取当前层feature map的宽高，将targets中的归一化数值映射到当前feature map的大小上计算GT和anchor的宽高比例，小于阈值anchor_t的设置为True，反之设置为False。过滤掉False的anchor。

使用本文的“负样本马赛克”，可以保证每一轮、每一张图里全都有误检图。能够在较少的训练轮次中，解决漏检问题

简要介绍yolov8的原理和代码实现。

此专栏分享常用的目标检测标签匹配算法，如有错误欢迎指出。

提供了一个全新的 SOTA 模型，包括 P5 640 和 P6 1280 分辨率的目标检测网络和基于 YOLACT 的实例分割模型。和YOLOv5 一样，基于缩放系数也提供了 N/S/M/L/X 尺度的不同大小模型，用于满足不同场景需求骨干网络和 Neck 部分可能参考了 YOLOv7 ELAN 设计思想，将 YOLOv5 的 C3 结构换成了梯度流更丰富的 C2f 结构，并对不同尺度模型调整了不同的通道数，属于对模型结构精心微调，不再是无脑一套参数应用所有模型，大幅提升了模型性能。

YOLOv8模型网络结构图理解

2023年，YOLO系列已经迭代到v8，v8与v5均出自U神，为了方便理解，我们将通过与v5对比来讲解v8。想了解v5的可以参考文章。

YOLOv8 算法的核心特性和改动可以归结为如下：提供了一个全新的 SOTA 模型，包括 P5 640 和 P6 1280 分辨率的目标检测网络和基于 YOLACT 的实例分割模型。和 YOLOv5 一样，基于缩放系数也提供了 N/S/M/L/X 尺度的不同大小模型，用于满足不同场景需求Backbone骨干网络和 Neck 部分可能参考了 YOLOv7 ELAN 设计思想，将 YOLOv5 的C3结构换成了梯度流更丰富的C2f结构，并对不同尺度模型调整了不同的通道数。

在YOLOv8目标检测中，误检（False Positive）是一个常见问题，即模型将非目标区域错误识别为目标。通过引入负样本（Negative Samples），即不包含任何目标框的图像，可以有效减少误检。在YOLOv8中添加负样本的方法是为这些图像提供空的标注文件（.txt），确保每张图像都有对应的标注文件，即使内容为空。可以使用Python脚本自动生成这些空标注文件。使用负样本时需注意数量比例、标注一致性、验证集同步和图像质量。适当加入负样本能显著提升模型鲁棒性，降低误判风险。

本文主要介绍yolov8中的anchor机制与样本分配策略的静态策略和动态策略

大致介绍一下AI全栈技术社区的相关内容，主要涵盖了YOLO全系列模型的改进、量化、蒸馏、剪枝以及不同工具链的使用，同时也涵盖多目标跟踪、语义分割、3D目标检测、AI模型部署等内容，具体内容小伙伴们可以参考下面的目录部分。所有内容均有答疑服务！！！扫描下方优惠券直接加入【集智书童】知识星球，即可获取目录内容1主题一：改进笔记该部分主要是记录关于模型改进的一些内容，星主会提供论文原文，模型改进笔记以及...