yolov7正负标签分配

### YOLOv7 正负样本标签分配机制

YOLOv7 的正负样本分配策略融合了 YOLOv5 和 YOLOX 中的技术特点[^2]。具体来说：

#### 候选正样本的选择
最初阶段采用类似于 YOLOv5 的方式来挑选候选正样本。对于每一个真实框（ground truth box），计算其与所有预测锚框之间的交并比（IoU）。如果某个预测锚框的最大 IoU 超过预设阈值，则该锚框被标记为候选正样本。

def select_candidate_positives(ious, iou_threshold=0.5):
    candidate_indices = (ious >= iou_threshold).nonzero(as_tuple=True)[0]
    return candidate_indices

#### SimOTA 策略的应用
接着利用 YOLOX 提出的 SimOTA 方法进一步筛选最终的正样本集合。SimOTA 是一种基于最优传输理论的任务对齐采样器，它通过最小化分类损失和回归损失之和来进行更精确的目标检测训练。此过程涉及构建成本矩阵，并运用线性指派算法找到最佳匹配方案。

import numpy as np
from scipy.optimize import linear_sum_assignment

def apply_simota_strategy(cost_matrix):
    row_ind, col_ind = linear_sum_assignment(cost_matrix)
    best_matches = list(zip(row_ind, col_ind))
    return best_matches

这种两步走的方法使得 YOLOv7 不仅能够继承前代模型的优点——即扩大正样本数量从而提高性能表现[^3]；同时也引入了更加先进的优化技术以增强整体效果。