在前面学习YOLOV7的过程中，我们已经学习了其网络结构，然而实际上YOLOV7项目的难点并不在于其网络模型而是在于其损失函数的设计，即如何才能训练出来合适的bbox。
神经网络模型都有训练和测试（推理）过程，在YOLOV7的训练过程中，包含模型构造，标签分配和损失函数计算。其中模型在前面以及讲过了。在测试过程中包含加载模型，损失函数计算，输出值解码，非极大值抑制，MAP计算等，今天我们先讲一下YOLOV7的训练过程。
在训练过程中主要用到这几个文件：
YOLOV7训练过程中的一个重要思想便是正样本匹配策略，其更像是YOLOV5与YOLOX的一个结合体，那么接下来我们结合代码看一下其匹配策略：
YOLOV5，V7匹配策略
yolov5，v7与yolov3、yolov4最大的不同就是v3与v4一个gt只会与一个正样本匹配，而v5，v7一个 gt 可以被分配给多个anchor，还有可能被分配到三个不同的特征图中的两个甚至三个。
匹配策略：这里指的是不带辅助头，论文中，将负责最终输出的Head为lead Head，将用于辅助训练的Head称为auxiliary Head。本博客不重点讨论，原因是论文中后面的结构实验实现提升比较有限（0.3个点）
主要是参考了YOLOV5 和YOLOV6使用的当下比较火的simOTA.
S1.训练前，会基于训练集中gt框，通过k-means聚类算法，先验获得9个从小到大排列的anchor框。(可选)
S2.将每个gt与9个anchor匹配：Yolov5为分别计算它与9种anchor的宽与宽的比值（较大的宽除以较小的宽，比值大于1，下面的高同样操作）、高与高的比值，在宽比值、高比值这2个比值中，取最大的一个比值，若这个比值小于设定的比值阈值，这个anchor的预测框就被称为正样本。一个gt可能与几个anchor均能匹配上（此时最大9个）。所以一个gt可能在不同的网络层上做预测训练，大大增加了正样本的数量，当然也会出现gt与所有anchor都匹配不上的情况，这样gt就会被当成背景，不参与训练，说明anchor框尺寸设计的不好。
S3.扩充正样本。根据gt框的中心位置，将最近的2个邻域网格也作为预测网格，也即一个groundtruth框可以由3个网格来预测；可以发现粗略估计正样本数相比前yolo系列，增加了三倍（此时最大27个匹配）。图下图浅黄色区域，其中实线是YOLO的真实网格，虚线是将一个网格四等分，如这个例子中，GT的中心在右下虚线网格，则扩充右和下真实网格也作为正样本。
S4.获取与当前gt有top10最大iou的prediction结果。将这top10 （5-15之间均可，并不敏感）iou进行sum，就为当前gt的k。k最小取1。
S5.根据损失函数计算每个GT和候选anchor损失（前期会加大分类损失权重，后面减低分类损失权重，如1:5->1:3），并保留损失最小的前K个。
S6.去掉同一个anchor被分配到多个GT的情况。
正负样本分配
正负样本分配的函数build_targets（yolo_training.py)，将其分为以下结构：
├── 数据准备
└── 遍历每个特征图
├── ①anchors和gt匹配，看哪些gt是当前特征图的正样本（find_3_positive)初筛
└── ②将当前特征图的正样本分配给对应的grid（完成复筛：iou，类别）
步骤1：anchors和gt匹配，看哪些gt是当前特征图的正样本**（find_3_positive）**
这里要做的是从gt的上下左右分别偏移0.5来获取周边的单元格来进行预测，通过计算anchor的长宽比例是否合适（比例位于1/4与4之间）则认为符合，那么当前gt就能与当前特征图匹配。
如图所示：这是lead head的正样本匹配策略
YOLOV7中引入了辅助头，其正样本为：
如图：训练时，lead head和aux head中正样本分配图示（蓝色点代表着gt所处的位置，实线组成的网格代表着特征图grid，虚线代表着一个grid分成了4个象限以进行正负样本分配。如果一个gt位于蓝点位置，那么在lead head中，黄色grid将成为正样本。在aux head中，黄色+橙色grid将成为正样本）
初筛(find_3_positive)
设置偏移方向与偏移大小
g = 0.5 # offsets 漂移的距离，为获取更多正样本
off = torch.tensor([#漂移方向
[0, 0],
[1, 0], [0, 1], [-1, 0], [0, -1], # j,k,l,m
# [1, 1], [1, -1], [-1, 1], [-1, -1], # jk,jm,lk,lm
], device=targets.device).float() * g
在yolov5，v7中，会将一个特征点分为四个象限，针对步骤1中匹配的gt，会计算该gt（上图中蓝色点）处于四个象限中的哪一个，并将邻近的两个特征点也作为正样本。以上图举例，若gt偏向于右下角的象限，就会将gt所在grid的右边、下边特征点也作为正样本。
# 分别对应中心点、左、上、右、下
off = torch.tensor([[0, 0],
[1, 0], [0, 1], [-1, 0], [0, -1], # j,k,l,m
], device=targets.device).float() * g
# gain = [1, 1, 特征图w, 特征图_h, 特征图w, 特征图_h]
gxy = t[:, 2:4] # 以特征图左上角为原点，gt的xy坐标
gxi = gain[[2, 3]] - gxy # 以特征图左上角为原点，gt的xy坐标
# jklm就分别代表左、上、右、下是否能作为正样本。g=0.5
# j和l， k和m是互斥的，(x,y)%1会得到两个值所以其最终可以组成四个方位
j, k = ((gxy % 1 < g) & (gxy > 1)).T
l, m = ((gxi % 1 < g) & (gxi > 1)).T
j = torch.stack((torch.ones_like(j), j, k, l, m))#组成五维
# 原本一个gt只会存储一份，现在复制成3份 拼接函数
t = t.repeat((5, 1, 1))[j]
# 偏移量
offsets = (torch.zeros_like(gxy)[None] + off[:, None])[j]
关于上面的代码语法上理解如下
这里可以看出V5和V7是很类似的，相比较yolov3和v4一个gt只会匹配一个正样本的方式，该种方法能够分配更多的正样本，有助于训练加速，正负样本平衡。
完成增加正样本后（找到了t个先验框(正样本），我们需要判断这些框是属于哪张图片，其属于哪个类别，负责该样本预测的单元格的左上坐标为多少，以及该坐标的w,h的缩放比例
# -------------------------------------------#
# b 代表属于第几个图片，即每个t属于的图片
# gxy 代表该真实框所处的x、y中心坐标
# gwh 代表该真实框的wh坐标
# gij 代表真实框所属的特征点坐标
# -------------------------------------------#
b, c = t[:, :2].long().T # image, class
gxy = t[:, 2:4] # grid xy
gwh = t[:, 4:6] # grid wh
gij = (gxy - offsets).long()#.long是取值，不要小数部分，如gxy(2.3,2.2)左移-0.5则为（1.8，2.2）取值（1，2）即由(1,2)的anchor来进行匹配，获得偏移后负责预测的单元格
gi, gj = gij.T # grid xy indices
# -------------------------------------------#
# gj、gi不能超出特征层范围
# a代表属于该特征点的第几个先验框
# -------------------------------------------#
a = t[:, 6].long() # anchor indices
indices.append(
(b, a, gj.clamp_(0, shape[2] - 1), gi.clamp_(0, shape[3] - 1))) # image, anchor, grid indices
anchors.append(anchors_i[a]) # anchors比例
而且由于每一个特征图中，都会将所有的gt与当前特征图的anchor计算能否分配正样本，也就说明一个gt可能会在多个特征图中都分配到正样本。
find_3_positive的返回结果为：
indices 的shape为：【3，4，正样本个数】
anchor的shape为：
复筛get_target()
至此，我们便完成了正样本的匹配即初筛工作，紧接着我们要对初筛得到的先验框进行复筛，此时便是要根据predictions的预测先验框与真实框计算IOU与类别进行复筛。
# 取出这个真实框对应的预测结果
# -------------------------------------------#
fg_pred = prediction[b, a, gj, gi]
#判断是否是物体与类别符合
p_obj.append(fg_pred[:, 4:5])
p_cls.append(fg_pred[:, 5:])
# -------------------------------------------#
# 获得网格后，进行解码，这里需要按照步长进行恢复，并得到我们的预测恢复结果
# -------------------------------------------#
grid = torch.stack([gi, gj], dim=1).type_as(fg_pred)
pxy = (fg_pred[:, :2].sigmoid() * 2. - 0.5 + grid) * self.stride[i]
pwh = (fg_pred[:, 2:4].sigmoid() * 2) ** 2 * anch[i][idx] * self.stride[i]
pxywh = torch.cat([pxy, pwh], dim=-1)
pxyxy = self.xywh2xyxy(pxywh)#该函数将xywh转化为左上，右下坐标形式
pxyxys.append(pxyxy)
计算当前图片中，真实框与预测框的重合程度
ou的范围为0-1，取-log后为0~inf
重合程度越大，取-log后越小
因此，真实框与预测框重合度越大，pair_wise_iou_loss越小，所得为(真实框个数*候选框个数）
pair_wise_iou = self.box_iou(txyxy, pxyxys)
pair_wise_iou_loss = -torch.log(pair_wise_iou + 1e-8)
通过计算IOU后，选择前20，若没有20，则有多少选多少
top_k, _ = torch.topk(pair_wise_iou, min(20, pair_wise_iou.shape[1]), dim=1)
dynamic_ks = torch.clamp(top_k.sum(1).int(), min=1)
# gt_cls_per_image 种类的真实信息，转换为one -hot格式，复制操作
gt_cls_per_image = F.one_hot(this_target[:, 1].to(torch.int64), self.num_classes).float().unsqueeze(
1).repeat(1, pxyxys.shape[0], 1)
预测类别并计算交叉熵
cls_preds_ = p_cls.float().unsqueeze(0).repeat(num_gt, 1, 1).sigmoid_() * p_obj.unsqueeze(0).repeat(num_gt,
1, 1).sigmoid_()
y = cls_preds_.sqrt_()
pair_wise_cls_loss = F.binary_cross_entropy_with_logits(torch.log(y / (1 - y)), gt_cls_per_image,
reduction="none").sum(-1)
求cost损失总和，topk函数：找前k个最大值
cost = ( pair_wise_cls_loss+ 3.0 * pair_wise_iou_loss)
matching_matrix = torch.zeros_like(cost)
for gt_idx in range(num_gt):#从真实框中去找这里面损失最小的k个
_, pos_idx = torch.topk(cost[gt_idx], k=dynamic_ks[gt_idx].item())
matching_matrix[gt_idx][pos_idx] = 1.0
为防止一个anchor预测多个gt，还需要将其转换一下取出最小的iou作为y预测
anchor_matching_gt = matching_matrix.sum(0)#sum(0)求数组每一列的和
if (anchor_matching_gt > 1).sum() > 0:#找出哪些sum>0，说明一个anchor正样本匹配到了多个gt
_, cost_argmin = torch.min(cost[:, anchor_matching_gt > 1], dim=0)#找到最小的
matching_matrix[:, anchor_matching_gt > 1] *= 0.0#其余赋值0
matching_matrix[cost_argmin, anchor_matching_gt > 1] = 1.0#最小的赋值1
fg_mask_inboxes = matching_matrix.sum(0) > 0.0
fg_mask_inboxes = fg_mask_inboxes.to(torch.device(device))#哪些是正样本
matched_gt_inds = matching_matrix[:, fg_mask_inboxes].argmax(0)#正样本对应的真实框索引
最终我们将匹配的批次，我们得到的值为：
matching_bs, matching_as, matching_gjs, matching_gis, matching_targets, matching_anchs
下面来讲解其值含义：
matching_bs：匹配上的批次
matching_as：匹配上的anchor id [0,1,2]
matching_gjs, matching_gis:匹配上的单元格xy坐标（负责正样本预测）
matching_targets：匹配上的标签，通过标签中批次，xywh（真实框）可以与前面匹配上的anchor进行计算。在find-3-positive中其加上了anchorid,但在这里没有用到被删除了。
matching_anchs：匹配上的anchor缩放比例
计算损失
完成build-targe函数后获得上面提到的匹配的正样本信息：call函数中
bs, as_, gjs, gis, targets, anchors = self.build_targets(predictions, targets, imgs)
开始计算损失：
for i, prediction in enumerate(predictions):
# -------------------------------------------#
# image, anchor, gridy, gridx
# -------------------------------------------#
b, a, gj, gi = bs[i], as_[i], gjs[i], gis[i]
tobj = torch.zeros_like(prediction[..., 0], device=device) # target obj
# -------------------------------------------#
# 获得目标数量，如果目标大于0
# 则开始计算种类损失和回归损失
# -------------------------------------------#
n = b.shape[0]
if n:
prediction_pos = prediction[b, a, gj, gi] # prediction subset corresponding to targets
# -------------------------------------------#
# 计算匹配上的正样本的回归损失
# -------------------------------------------#
# -------------------------------------------#
# grid 获得正样本的x、y轴坐标
# -------------------------------------------#
grid = torch.stack([gi, gj], dim=1)
# -------------------------------------------#
# 进行解码，获得预测结果，这里可以看到与build_target中是遥相呼应的是相同的计算方式
# -------------------------------------------#
xy = prediction_pos[:, :2].sigmoid() * 2. - 0.5
wh = (prediction_pos[:, 2:4].sigmoid() * 2) ** 2 * anchors[i]
box = torch.cat((xy, wh), 1)
# -------------------------------------------#
# 对真实框进行处理，映射到特征层上
# -------------------------------------------#
selected_tbox = targets[i][:, 2:6] * feature_map_sizes[i]
selected_tbox[:, :2] -= grid.type_as(prediction)
# -------------------------------------------#
# 计算预测框和真实框的回归损失
# -------------------------------------------#
iou = self.bbox_iou(box.T, selected_tbox, x1y1x2y2=False, CIoU=True)
box_loss += (1.0 - iou).mean()
# -------------------------------------------#
# 根据预测结果的iou获得置信度损失的gt，使用iou来代替置信度
# -------------------------------------------#
tobj[b, a, gj, gi] = (1.0 - self.gr) + self.gr * iou.detach().clamp(0).type(tobj.dtype) # iou ratio
# -------------------------------------------#
# 计算匹配上的正样本的分类损失
# -------------------------------------------#
selected_tcls = targets[i][:, 1].long()
t = torch.full_like(prediction_pos[:, 5:], self.cn, device=device) # targets
t[range(n), selected_tcls] = self.cp
cls_loss += self.BCEcls(prediction_pos[:, 5:], t) # BCE
# -------------------------------------------#
# 计算目标是否存在的置信度损失
# 并且乘上每个特征层的比例
# -------------------------------------------#
obj_loss += self.BCEobj(prediction[..., 4], tobj) * self.balance[i] # obj loss
# -------------------------------------------#
# 将各个部分的损失乘上比例
# 全加起来后，乘上batch_size
# -------------------------------------------#
box_loss *= self.box_ratio
obj_loss *= self.obj_ratio
cls_loss *= self.cls_ratio
bs = tobj.shape[0]
loss = box_loss + obj_loss + cls_loss
return loss
根据模型预测结果计算回归值，回归值计算公式
至此，YOLOV7的正样本匹配与损失函数计算过程便完成了。